Land the two harness topology research reports commissioned for phase D, by the owner's direct instruction: docs/research is the orchestrator's zone, not the polygon's

Land the probe session's phase report and execution journal, including its replica findings on the low2 run and the measured sigma for the zh pair
Ping the orchestrator with two backend entries: the post-check had no input at all, not merely a disabled gate, and offline recheck is missing from the engine
2026-09-02 23:12:28 +03:00 · 2026-09-02 23:12:11 +03:00 · 2026-09-02 23:08:08 +03:00 · 2026-09-02 23:05:12 +03:00 · 2026-09-02 22:23:34 +03:00
8 changed files with 13389 additions and 2 deletions
--- a/docs/PROGRESS.md
+++ b/docs/PROGRESS.md
@ -596,6 +596,35 @@
 ## Полигон
 **📌 02.09 · ПИНГ ОРКЕСТРАТОРУ (два входа в бэкенд) + ИТОГ СЛЕПОГО ЧТЕНИЯ. Решения владельца от 02.09 внутри.**
 Носители: пре-реги и результаты — `eval/dovodka/blind-read/` (`PREREG-BLIND-READ.md` + `RESULT-BLIND-READ.md` с семью эрратами, `PREREG-2-BLIND-READ.md` + `RESULT-2-BLIND-READ.md`), прибор дрейфа — `eval/dovodka/dreif.py`.
 * **РЕШЕНИЯ ВЛАДЕЛЬЦА 02.09 (ратификация за оркестратором).** (1) **Дефолт редактора — `low`**, бремя доказательства на том, кто включает дорогой режим. (2) Вопрос «`off` против `low` по качеству» **закрыт как неизмеримый этим прибором** — судейских реплик не покупать. (3) Питон-прибор дрейфа пишет полигон (сделано), **настоящий прибор — в движок, это пинг ниже**. (4) Покупка 50 глав на длину **отложена до прогона в бэкенде** (слово владельца).
 * **⚠ ВХОД 1 — офлайн-пересчёт по уже оплаченному тексту (`tmctl recheck` или равное).** Проверки движка исполняются ТОЛЬКО в момент генерации; готовый текст в базе перепроверить нечем, и потому частота ложных тревог пост-чека не измерима без покупки. Полигон закрыл дыру питон-двойником (`dreif.py`), но **это не тот же прибор**: у движка стеммер целевого языка и сохранённые формы, у двойника — сопоставление по началу слова. Два «детерминированных» прибора с разными ответами — тихий дрейф нормы; строку в бэклог просит полигон, решение за оркестратором.
 * **⚠ ВХОД 2 — пост-чек банка не имел ВХОДА, а не только был выключен.** В пробе `gates.coverage.enabled: false` и блока `gates.glossary` нет — это известно; но сверх того: из 102 записей банка **ни одна не доведена до `approved`, и `decl` пуст у ВСЕХ**. Пост-чек проверяет подписанные термины (`membank/mempostcheck.go`), значит молчал он по двум причинам сразу. Условие включения жёсткого режима записано в самом коде — «после того, как владелец подтвердит точность», а точность мерить не на чем, пока банк не подписан. Порядок для бэкенда: подписать банк → заполнить формы → замер ложных тревог → решение владельца.
 * **ИТОГ СЛЕПОГО ЧТЕНИЯ (две редакции, 219 судей Opus, $0.66 на реплику `low₂`).** Редакция 1 дала 18:6 «дешёвая рука лучше» — **вывод СНЯТ**: судьям показывали усечённый черновик (стадия `edit` склеивает несколько draft-чанков; в 10 юнитах из 15 опора покрывала 55–79%). Редакция 2 на склеенном по манифесту черновике (покрытие 99–100%) плюс **активные нули** (`low₁` против `low₂`): **судьи назвали победителя в 29 голосах из 30 на чистом шуме**, перекос на шуме (80%) БОЛЬШЕ боевого (70%). Первичные исходы: точность 12:10:8 (p=0.842), художественность 19:8:3 (p=0.070, Холм **0.141**) ⇒ **различие НЕ ПРЕДЪЯВЛЕНО**. Механика вскрыта: в **73 голосах из 74** побеждал вариант с меньшим числом претензий, а счётчик упирался в потолок в половине голосов. Текстовый шум одной руки (0.799) больше межрежимного (0.820).
 * **ПРИБОР ДРЕЙФА, первые числа ($0, на уже купленном).** Терминов с более чем одной передачей в тексте — 13–16% от измеренных; сменивших форму между главами — 6–8%. Независимым путём (поле `spread`, считает сам движок): **30 записей из 102 несут >1 передачу, максимум 7 форм у одного ключа** (`元石`: «юаньши · камень юань · изначальный камень · первородный камень…»). ⚠ Разброс МЕЖДУ режимами (0.3–1.9%) **не превышает шум-пола** (2.4%, снят по паре реплик одной руки) ⇒ дрейф на этом отрезке — свойство черновика и банка, **не редактора**; экономия на редакторе к нему отношения не имеет.
 * **⚠ Мои ошибки этого пака, названные вслух:** первая редакция пре-рега имела невалидный первичный тест (ничьи в знаменателе против H₀=50% дают ошибку I рода 17.8%) и правило решения с непокрытым пространством исходов; гейт слепоты искал `[A-Za-z]{2,}` и пропускал одиночные латинские буквы (23–25 на руку, слепота при этом не пробита — асимметрия 8%); первый гейт покрытия мерил долю совпавших слов и срезал 14 юнитов из 15, потому что смешивал «нет опоры» с «сильно правил»; первый парсер банка искал `src:` вместо формата «ключ⇥передача» и печатал «дрейф 0%» на пустых вариантах — отказ пойман гейтом парсера, который теперь в приборе. Сверка с нормами оркестратора post-hoc: риг нарушил «оба порядка» (обе редакции), «полно-evidence окна» (редакция 1), «шум-полы измерены» (редакция 1), «детерминированный скорер > судьи» и D39.61 «вывод на агрегате до вскрытия единиц».
 **📌 02.09 · ПРОБА РЕДАКТОРА ПО ЧЕТЫРЁМ ОСЯМ КУПЛЕНА И ЗАКОНЧЕНА. Ответ на вопрос владельца «почему редактор дорог» получен: ОН ДУМАЕТ, А НЕ ПИШЕТ.**
 Отчёт — `docs/experiments/23-editor-tier.md` **Д54**. Пре-рег стенда — `eval/dovodka/prereg-4axes/PREREG.md` (фризы `c08b547` и `590256a`), журнал исполнения со всеми находками — `eval/dovodka/prereg-4axes/ISPOLNENIE.md`. Стенд — `~/books/gu-zhenren/probe-4axes/`. **Израсходовано $5.524817 из санкции $9.50; остаток $3.98 НЕ добирался.**
 * **E0 — ответ на вопрос.** Размышление = **77.9%** цены редактора без ручки (`p7-off`) и **76.6%** (`p9-off`); с `low` — 45.7% и 46.7%; у `glm-5` с выключенным thinking — **0.0%**. Ретраи: 39.3% и 26.3% цены руки против 1.8% и 6.0% у `low`.
 * **E1 (главный) — эффект ЕСТЬ.** Вилкоксон-Пратт, n=17, **p=7.6e-05**, Ходжес-Леман **×0.283**, ДИ **[0.175; 0.431]**. 19 пар из 40 цензурированы ⇒ величина — **нижняя граница**: `low` режет размышление **минимум втрое**.
 * **E2 — цена доставленного знака падает в 2.5 раза** (боевая ×0.407 [0.326; 0.605]). Все ЧЕТЫРЕ заранее объявленных варианта, включая строгое `delivered` и кэш-независимую цену, согласны по знаку и величине.
 * **E3 (ось промпта) — НИЖЕ РАЗРЕШЕНИЯ** (p=0.487). **E4 (взаимодействие) — ниже разрешения** (p=0.854), описательный по построению.
 * **E5 — опасение плана ОПРОВЕРГНУТО: `low` БЕЗОПАСНЕЕ.** Эхо-клеток у `∅` 2, у `low` **0**; обрывов по длине 10 и 9 против **1 и 1**. Критерий риска не предъявлен. ⚠ Эхо считается по СЫРОМУ ответу: санитайзер его вырезает, и по отгружаемому тексту эхо не видно вовсе.
 * ⛔ **ИЗ ЭТОГО НЕ СЛЕДУЕТ РЕКОМЕНДАЦИЯ СТАВИТЬ `low` В БОЙ.** Качество не судилось — прямо вне скоупа. Проба даёт цену рычага и снимает подозрение по эху; следующий шаг — судейство качества `low` против `∅`, и теперь его стоит купить.
 **⛔ ГЛАВНАЯ НАХОДКА О ДВИЖКЕ, КОТОРОЙ ПЛАН НЕ ЗНАЛ: АВТО-БАНК РАСТЁТ МЕЖДУ ПОКУПКАМИ.** Терминолог перезапускается в каждой руке и, пока у него есть бюджет, доращивает банк — а банк есть ВХОД РЕДАКТОРА. В базе `consolidated=51`, в первой же руке 81, `memory_version` уехал, edit-снапшот сдвинулся, движок потребовал `--resnapshot`. Без гарда это проявилось бы на втором юните уже с оплаченными клетками, а хуже — банк мог вырасти ПО-РАЗНОМУ в разных руках, дав редактору разный вход при внешне исправном кресте. Лечение: гонять базу конфигом БЕЗ стадии `edit` до неподвижной точки, где терминальное условие — **ноль свежих платных строк И ни одного отказа по деньгам** (одного «`memory_version` не изменился» НЕДОСТАТОЧНО). Стоило $0.0352.
 **⭐ И ещё три находки, полезные любому следующему замеру.** (1) **Проводная улика СУЩЕСТВУЕТ** вопреки §3 плана: `LOG_LLM_BODIES=1` + `LOG_LEVEL=debug` пишет сырое тело запроса (`obs/logging.go:72` ← `llm/httpllm.go:415`), только тела, без URL и заголовков — снято, что у `low`-рук в теле стоит `reasoning_effort:"low"`, у `∅`-рук ключа НЕТ, у `glm-5` — `thinking:{type:disabled}`. (2) **Ось креста можно доказать ЗА $0**: потолок «база + малая сумма» отказывает первой edit-резервации, но снапшот и джоб к этому моменту уже вычислены; ⚠ потолок обязан лежать НИЖЕ редакторской резервации, но ВЫШЕ батча терминолога, иначе ложная точка выглядит тишиной. (3) **`tmctl manifest` бесплатен и даёт `units_total` ДО покупки** — `n` пинится числом, а не «сколько получится» (здесь 17 глав → 20 юнитов, а не ожидавшиеся 24).
 **Самопроверка исполнением (мандат промта §7):** агент-контролёр на `fable` вёл всю сессию по распоряжению владельца и поймал у меня **шесть ошибок**, из них четыре — одного класса «показания собственного инструмента приняты за факт о мире»: слепой к эху E5, ковариата по первому чанку вместо суммы (15 юнитов из 20), ложная неподвижная точка банка, дефект регулярки, выданный за находку о проводе. **Все пойманы ДО того, как повлияли на результат**; реестр с классами — Д54.5. Я, в свою очередь, опровергла исполнением одну его находку и одну свою.
 **⚠ ЧТО ПРЕДЪЯВЛЕНО, А НЕ СПРЯТАНО:** гард «зелень на пустоте» прошёл ВПРИТЫК — у `p7-off` пустых ровно 4/20 = 20% при правиле «>20% ⇒ отказ», а по строгому определению доставки было бы 25% и прибор отказал бы; четыре оплаченных `decode_error` в `p7-off` на $0.689 (34.5% цены руки), все на ретраях после обрыва, при нуле в трёх других руках; три юнита выброшены из E1 по `R̂ ≤ 0`, и два из них — `low`-клетки с почти нулевым размышлением, то есть выброс делает вывод КОНСЕРВАТИВНЕЕ. Полный список — Д54.4.
 **📌 29.08 · ФАЗА Д — НА ОБА ГЛАВНЫХ ВОПРОСА ВЛАДЕЛЬЦА ОТВЕЧЕНО, ВОПРОС 0 ОСТАЁТСЯ ОТКРЫТЫМ. Сессия $0, ни одного платного вызова.**
 ⚠ **«Отвечено», а не «закрыто», и разница существенная:** на Вопрос 2 ответ дан в форме СЛАБЕЕ, чем звучит сам вопрос — минимакс не проверен (худший ВОЗМОЖНЫЙ жилец не искался), вендоро-независимость архитектуры НЕ проверена (буфер двухвендорен: черновик делает DeepSeek). Первая редакция этой шапки писала «ЗАКРЫТЫ», хотя буллеты под ней несли оговорки — поправлено адверсариальной приёмкой.
 Отчёт — `docs/experiments/23-editor-tier.md`, секции **Д35–Д38**. Агент-сессий 154 → **186 из 200**. Деньги не тронуты: резерв пака $1.2634 из $18.30 как был.
--- a/docs/experiments/23-editor-tier.md
+++ b/docs/experiments/23-editor-tier.md
@ -7966,3 +7966,488 @@ V4-Pro and V4-Flash now support three thinking effort levels: low / high / max»
 смотреть **каталог артефактов**, а не только свою ветку доков — `ls ~/books/<книга>/` дешевле любого
 грепа по `docs/` и отвечает на вопрос прямо. Это девятый случай класса «показания инструмента
 приняты за факт о мире» (реестр — Д52.5): здесь инструментом была моя собственная ветка.
 ## Д54. ⭐⭐ КОНТРОЛИРУЕМАЯ ПРОБА РЕДАКТОРА ПО ЧЕТЫРЁМ ОСЯМ: КУПЛЕНА, ОТВЕТ ПОЛУЧЕН
 > Исполнитель — полигон-сессия `textmachine-2f`, 02.09.2026, ветка `polygon`.
 > Закон — `eval/dovodka/PLAN-01-09.md` (фриз документа `dc602e9`). Промт — `eval/dovodka/PROMPT-PROBE-4AXES.md`.
 > Пре-рег стенда — `eval/dovodka/prereg-4axes/PREREG.md` (фриз №1 `c08b547`, фриз №2 `590256a`).
 > Журнал исполнения со всеми находками и отступлениями — `eval/dovodka/prereg-4axes/ISPOLNENIE.md`.
 > Стенд и все артефакты — `~/books/gu-zhenren/probe-4axes/`.
 **Вопрос владельца был: ПОЧЕМУ редактор дорог.** Ответ: **он думает, а не пишет.**
 ---
 ### Д54.1 ОТВЕТ НА ВОПРОС — E0, разложение цены по статьям
 ```
 $ ./eval/.venv/bin/python eval/dovodka/chetyre.py --stand ~/books/gu-zhenren/probe-4axes \
      --manifest eval/dovodka/prereg-4axes/prereg.json
 ```
 | статья | `p7-off` | `p9-off` | `p7-low` | `p9-low` | `glm-5@off` |
 |---|---|---|---|---|---|
 | вход | 7.7% | 8.2% | 19.0% | 18.7% | 41.0% |
 | кэш | 0.2% | 0.2% | 0.2% | 0.2% | 0.1% |
 | видимый выход | 14.2% | 14.9% | 35.2% | 34.4% | 58.9% |
 | **РАЗМЫШЛЕНИЕ** | **77.9%** | **76.6%** | **45.7%** | **46.7%** | **0.0%** |
 | ретраи, от цены руки | 39.3% | 26.3% | 1.8% | 6.0% | 0.0% |
 **Три четверти цены редактора без ручки — это размышление.** С ручкой `low` доля падает до
 46–47%, а с моделью, у которой размышление выключено тумблером (`glm-5`), она равна нулю по
 построению, и вся цена там — вход плюс видимый текст.
 ⚠ **Строка «ретраи» у `p7-off` наполовину СЕТТЛЕНА ПО ОЦЕНКЕ, а не по факту:** $0.405 из $0.785 —
 это четыре таймаута, у которых вендор не вернул usage, и движок списал верхнюю границу
 (32 000 · $3.96/1M + вход). Доли статей это не искажает (строки без usage в статьи не входят), но
 число «ретраи 39.3%» несёт эту оговорку, а не читается как факт вендорского счёта.
 ⚠ **Одна статья невосстановима никакой пробой и была объявлена заранее:** сколько из подорожания
 дали новые веса `0813` и смена вендор-дефолта. Июльское состояние сервинга не вернуть.
 ---
 ### Д54.2 ЭНДПОЙНТЫ — правило решения §4, записанное ДО чисел, применено без изменений
 **E1 (главный): усилие `low` против `∅`, по-юнитный контраст `log R̂`, попытка 0.**
 ```
 Вилкоксон (zero_method='pratt'): W=3.0  p=7.629e-05      n=17 юнитов
 Ходжес-Леман: медиана log = -1.2634 ⇒ отношение ×0.283
 95% ДИ (Уолшевы средние, руками): ×[0.175; 0.431]
 пар с цензурой: 19 из 40 ⇒ ВЕЛИЧИНА ЕСТЬ НИЖНЯЯ ГРАНИЦА
 ```
 ⇒ **`low` режет размышление МИНИМУМ втрое**, точечно — вчетверо (медианы `R̂` попытки 0:
 `p7-off` 13 242, `p9-off` 12 686 против `p7-low` 3 090, `p9-low` 3 112).
 ⛔ Величина читается со знаком **«≥»**: 19 из 40 пар несут цензуру на потолке 16 000, и цензура
 занижает эффект по построению. ⚠ **И рядом, а не сноской:** у **5 клеток `low` из 40** восстановленное
 `R̂ < 700`, где относительная ошибка формулы 20–70% (граница объявлена планом до покупки), а у двух
 из них `R̂ ≤ 0` вовсе. То есть у самых сильных случаев среза прибор величину НЕ измеряет — он их
 теряет, и вывод от этого консервативнее.
 **E2 (цена доставленного знака) — четыре варианта, объявленные ДО чисел, и все согласны:**
 | вариант | p | медиана | 95% ДИ |
 |---|---|---|---|
 | попытка 0, фактическая цена (ОСНОВНОЙ) | 1.22e-04 | ×0.528 | [0.422; 0.661] |
 | итог юнита, боевая цена (ретраи включены) | 1.83e-04 | **×0.407** | [0.326; 0.605] |
 | попытка 0, СТРОГОЕ `delivered` | 2.44e-04 | ×0.512 | [0.407; 0.626] |
 | попытка 0, КЭШ-НЕЗАВИСИМАЯ цена | 1.22e-04 | ×0.538 | [0.451; 0.656] |
 ⇒ **Боевая цена доставленного знака падает в 2.5 раза.** Согласие кэш-независимого варианта с
 основным доказывает, что несимметричный порядок, выпавший при запиненном сиде, вывод не двигает.
 Медианы цены за 1000 доставленных знаков (боевая, командой):
 `p7-off` **$0.0111** · `p9-off` **$0.0091** · `p7-low` **$0.0036** · `p9-low` **$0.0038** ·
 `glm-5@off` **$0.0018**.
 **Перекрёстная проверка E1 и E2 — независимо от рангового теста, по медианам.** Ранговый тест мог
 бы дать «эффект есть» и на кривых данных, поэтому обе величины пере-считаны вторым, элементарным
 способом:
 ```
 E1 по медианам R̂ попытки 0:   P7  3090.2/13241.6 = ×0.233     Ходжес-Леман дал ×0.283
                               P9  3111.5/12685.5 = ×0.245
 E2 по медианам $/1000 знаков:  P7  0.0036/0.0111  = ×0.324     Ходжес-Леман (боевая) дал ×0.407
                               P9  0.0038/0.0091  = ×0.418
 ```
 Оба сходятся по порядку и по знаку. Расхождение медиан отношений с Ходжесом-Леманом ожидаемо:
 это разные оценки (отношение медиан против медианы по-юнитных отношений), и они не обязаны совпадать.
 **E3 (ось промпта):** `p=0.487`, ×0.794 [0.540; 1.383] ⇒ **НИЖЕ РАЗРЕШЕНИЯ ЗАМЕРА.** Это НЕ
 «эффекта нет». Прогноз плана «|эффект| < ×1.25» не подтверждён и не опровергнут: ДИ его накрывает,
 но простирается до ×0.54.
 **E4 (взаимодействие промпт×усилие):** `p=0.854`, ×1.068 [0.509; 2.836] ⇒ ниже разрешения.
 Описательный по построению, выводов не несёт.
 **E5 (безопасность). ⛔ ЭХА НЕ БЫЛО НИ В ОДНОЙ ИЗ СТА КЛЕТОК.** Флаг `cjk_artifact` (доля CJK
 выше 0.15) не сработал ни разу — проверено по всем пяти базам. То, что первая редакция этой секции
 назвала «эхо-клетками», — это **утечки в 4–10 иероглифов на 5.7–9.5 тыс. знаков** (доля 0.0005–0.001),
 все вычищенные санитайзером:
 | рука | клеток | CJK@сырой | кир<0.99 | flagged | обрыв@0 | санитайзер | малый R̂ |
 |---|---|---|---|---|---|---|---|
 | `p7-off` | 20 | **1** | 4 | 5 | **10** | 1 | 1 |
 | `p7-low` | 20 | **0** | 0 | 0 | **1** | 0 | 1 |
 | `p9-off` | 20 | **1** | 1 | 2 | **9** | 1 | 0 |
 | `p9-low` | 20 | **0** | 0 | 0 | **1** | 0 | 2 |
 | `glm-off` | 20 | 2 | 0 | 2 | 0 | 2 | — |
 ```
 p7-off ю(2,0): CJK 4 из 7329 знаков ⇒ доля 0.00055     glm-off ю(3,0): 5 из 5698 ⇒ 0.00088
 p9-off ю(2,0): CJK 4 из 7331 знаков ⇒ доля 0.00055     glm-off ю(8,0): 10 из 9534 ⇒ 0.00105
 ```
 ⇒ **Критерий §4 «у `low` эхо-клеток ≥3 сверх `∅`» НЕ предъявлен, потому что эха нет вовсе.**
 Утечки CJK: `∅` — 2 клетки (обе на ОДНОМ юните (2,0), то есть свойство материала), `low` — 0,
 референс — 2. При таких долях **разница ниже разрешения замера**, и «`low` безопаснее по эху»
 утверждать НЕЛЬЗЯ. Что утверждать МОЖНО: **эхо-риск `low`, которого боялся план, не подтвердился.**
 ⚠ Замерено по **СЫРОМУ** ответу попытки 0, а не по отгружаемому: санитайзер CJK вырезает, и по
 отгружаемому тексту утечка не видна вовсе (улика — Д54.5, ошибка 4).
 **Где `low` действительно отличается — это ПРОВАЛЫ ДОСТАВКИ, и они только у `∅`:**
 обрывы по длине 10 и 9 против **1 и 1**; ретраи 10 и 9 против **1 и 1**; все пять клеток с нулевой
 доставкой — в `∅`-руках (4 таймаута в `p7-off`, 1 пустой ответ в `p9-off`), у `low` — **ни одной**.
 Медиана латентности попытки 0: `∅` **204 и 188 с**, `low` **87 и 83 с**, референс **33 с**.
 **Ковариата длины входа.** Контраст от длины черновика НЕ зависит: Спирмен ρ=+0.083 (p=0.751), МНК
 наклон +0.92±2.30 (p=0.695). Между-юнитный наклон: **при удвоении длины черновика размышление
 ×2.97**, но оценка слабая — наклон **1.57 ± 1.26, p=0.23**, то есть совместима и с наклоном exp19
 (0.87 при ×2.78 на ×3.24 входа), и с НУЛЁМ. ⇒ «сходится с exp19» утверждать нельзя; можно только
 «не противоречит».
 ---
 ### Д54.3 ⭐ КЛЕЙМО ВЫВОДА — обязательный шаблон §3-БИС плана
 > **У `deepseek-v4-pro` (веса 0813) на паре zh→ru при нашей нарезке (~2 тыс. знаков исходника на
 > юнит), потолке вывода 16 000, банке в неподвижной точке и на промпте `editor.md` — ручка
 > `reasoning_effort:"low"` против неотправки ключа режет объём размышления в **2.3–5.7 раза**
 > (медиана ×0.283, 95% ДИ [0.175; 0.431]; это НИЖНЯЯ ГРАНИЦА среза: 19 из 40 пар цензурированы
 > потолком со стороны `∅`) и снижает цену доставленного знака почти вдвое (попытка 0 ×0.528
 > [0.42; 0.66]; с ретраями ×0.407 [0.33; 0.61] на 15 юнитах, где доставили все четыре руки).
 > Размышление — 77–78% цены у `∅` против 46–47% у `low`; ретраи 26–39% против 2–6%.
 > **Эха не было ни в одной из 100 клеток**; провалы доставки — только у `∅` (4 таймаута по 480 с и
 > 1 пустой ответ). Ось промпта и взаимодействие — ниже разрешения (p=0.49 и p=0.85).
 > Замерено 02.09.2026 — на **3-й день** после смены таблицы маппинга эффорта 30.08.**
 ⛔ **Число без этого квалификатора — ошибка класса Д52.5.** Что НЕ установлено (§3-БИС):
 «размышление вообще» — в реестре четыре разных механизма; семейство DeepSeek — у `flash` другие
 веса; перенос на английскую пару. Срок годности: до следующей смены вахты у вендора, и
 пере-снимается пред-полётной парой, а не цитируется.
 ---
 ### Д54.4 ⛔ ЧТО НЕ УДАЛОСЬ И ЧТО НЕ ПРОВЕРЕНО
 Секция обязательна и не косметическая: пустой пробы не бывает.
 1. **Ковариатная модель §4 плана НЕ ИСПОЛНЕНА в том виде, как записана, и это не нехватка
   библиотеки.** `log R̂ ~ effort + prompt + log(len_draft) + (1|unit)` вырождена как проверка
   устойчивости E1/E3: длина черновика — величина УНИТ-УРОВНЕВАЯ (все четыре руки редактируют ОДИН
   черновик — это и есть блокировка трудности), а в сбалансированном внутри-юнитном дизайне такая
   ковариата не меняет оценок усилия и промпта ПО ПОСТРОЕНИЮ. Обе величины, которые модель дала бы,
   посчитаны руками (Д54.2). `statsmodels` **не установлен**; ⚠ причина НЕ «нет сети» — сеть есть и
   колесо под cp314 существует, проверено.
 2. **Три юнита из двадцати выброшены из E1** по `R̂ ≤ 0`: (7,0) `p7-low` R̂=−56, (9,0) `p9-low`
   R̂=−161, (11,0) `p7-off` (провалившийся вызов, cmpl=0). ⚠ Два из трёх — `low`-клетки, где
   размышления практически не было, то есть выброс убирает случаи с САМЫМ большим эффектом:
   **E1 занижен, вывод консервативен.**
 3. **Пять юнитов пропущены в E2** (пустая доставка в какой-либо руке креста), шесть — в строгом
   варианте. Согласие всех четырёх вариантов — единственное, что здесь предъявлено.
 3-БИС. **Пятый провал доставки — не «пусто», а размышление, съевшее ответ.** `p9-off` ю(4,0):
   попытка 0 — `length` на 16 000 при НУЛЕ знаков контента; ретрай на 32 000 — `finish=stop`,
   3 327 токенов и снова **ноль знаков**. Отдельный механизм провала `∅`, и он не таймаут.
 4. **⛔ Гард «зелень на пустоте» прошёл ВПРИТЫК.** У `p7-off` пустых **4 из 20 = ровно 20%**, а
   правило — «>20% ⇒ прибор ОТКАЗЫВАЕТ». Ещё одна пустая клетка — и результат по E2 не был бы
   напечатан вовсе. **По СТРОГОМУ определению доставки было бы 5/20 = 25%, то есть прибор отказал
   бы.** Мягкое определение объявлено основным ДО чисел и после чисел не менялось, но читатель
   обязан это видеть.
 5. **⛔ ЧЕТЫРЕ ТАЙМАУТА, все в `p7-off`.** Движок классифицировал их как `decode_error`
   («2xx with an unreadable body — billed, conservatively settled», `disposition.go:67`), но
   латентность выдаёт истинную причину: **480 390 / 480 505 / 480 577 / 480 528 мс = ровно
   2 × `attempt_s: 240`** (`models.yaml:59`). Это таймаут чтения, а не нечитаемое тело: вызов
   оплачен и **сеттлен ПО ОЦЕНКЕ**, а не по факту вендорского счёта.
   **Две законные цифры, и путать их нельзя:** сами четыре строки — **$0.475893 = 23.8%** цены
   руки; ЮНИТЫ целиком, вместе с их попытками 0, — **$0.689215 = 34.5%**.
   Три из четырёх — ретраи на 32 000 после обрыва по длине, четвёртый — сама попытка 0.
   **Те же юниты в трёх других руках прошли `ok`.** `p9-off` имеет 9 обрывов и НОЛЬ таймаутов,
   `p7-off` — 10 обрывов и 4. Все четыре пришлись на последние 2.3 часа пачки (11:06, 12:06,
   12:19, 13:22), тогда как успешные ретраи `p7-off` до того шли 149–226 с, а ретраи `p9-off` в то
   же окно — 98–326 с. **Свойство руки или эпизод сервинга — проба при n=4 сказать не может, и это
   не выдаётся за вывод.**
   ⚠ **Пинг оркестратору, не наша зона:** таймаут чтения маскируется под ошибку декодирования и
   биллится по оценке — это дефект движка, а не свойство модели.
 6. **Сигнатура: 1 юнит из 20 вне допуска** (Δ=−6099 вместо 79). Это тот же юнит (11,0) с
   `decode_error` и нулевым usage — провалившийся вызов, а не расхождение сигнатуры. 5% < 20%,
   проба не аннулируется даже при засчитывании его нарушением. ⚠ **Исключать `decode_error` из
   гейта я не стала: это была бы правка правила ПОСЛЕ просмотра чисел.**
 7. **Банк консолидирован не полностью:** 101 терм из 108, `unanswered` 7 (бюджет терминолога
   исчерпан). Одинаков во всех пяти руках — на оси не влияет, но входит в область переноса.
 8. **Качество НЕ судилось** — вне скоупа по §12 промта. Проба говорит о цене и о $0-гейтах, и
   ничего не говорит о том, стал ли текст хуже. **Рекомендация ставить редактору `low` из этой
   пробы НЕ следует** без отдельного замера качества.
 9. **Ставка платформы не калибровалась** — гейчено отдельно.
 10. **Проводная улика снята на одном юните** (пред-полёт) и на первом юните пачки (референс), а не
    на всех ста клетках: канал сырых тел включался точечно.
 ---
 ### Д54.5 ЧТО Я НАПУТАЛА — реестр собственных ошибок с классами
 **Сквозной класс — тот же, что у одиннадцати ошибок предыдущей сессии: показания инструмента
 (своего кода, своего грепа, своего гарда) приняты за факт о мире.** Четыре из шести — ровно он.
 | # | что утверждала | чем опровергнуто | класс |
 |---|---|---|---|
 | 1 | «руки без своего `pairs/` ТИХО перекупят черновики ×5» | без `pairs/` прогон падает ГРОМКО (код 10), а дженерик-умолчания нарезки в `pipeline.go:895-905` побайтно равны пар-слою ⇒ снапшот не двигается. Прочитала код, не исполнила | чтение кода за факт о мире |
 | 2 | «$0-гард показал, что банк стабилен» | потолок `база+$0.0001` блокировал и ТЕРМИНОЛОГА, а его отказ — не остановка, а `break` с логом (`terminologist.go:807`). `grep -c 'denied by a USD ceiling'` = **2 в каждом из пяти логов гарда** при **0** в логе базы. Ложная неподвижная точка | показания своего инструмента за факт |
 | 3 | «у `low`-рук `reasoning_effort` на провод НЕ уехал» | дефект МОЕЙ регулярки: тело логируется экранированным (`\"reasoning_effort\":\"low\"`). `grep -c` давал 1 там, где регулярка давала 0 | дефект инструмента предъявлен как находка |
 | 4 | E5 считал эхо по ОТГРУЖАЕМОМУ тексту | санитайзер CJK вырезает: на холодном прогоне отгружено 0 иероглифов при **10 в сыром ответе**. Эндпойнт, блокирующий любую рекомендацию, был слеп к своему предмету. Поймал агент-контролёр | прибор мерил не то, что называл |
 | 5 | ковариата брала первый чанк юнита вместо суммы | у **15 юнитов из 20** `chunk_count > 1`, а ключ `(глава, индекс)` совпадает ⇒ ошибка не дала бы ни исключения, ни пустоты, только тихо занижённую длину. Поймал контролёр | тихая ошибка без симптома |
 | 6 | `$0`-альтернатива лечения `budget_usd: 0` в руках | не загрузилась бы вовсе: `pipeline.go:1078` отказывает при `budget_usd ≤ 0` у включённого гейта. Прочитала планировщик, не прочитала валидатор | чтение части кода за целое |
 **И семь ошибок ПЕРВОЙ РЕДАКЦИИ ЭТОГО ОТЧЁТА — пойманы адверсариальным проходом контролёра по уже
 написанному тексту, до того как отчёт кто-либо прочёл:**
 | # | что писала первая редакция | чем опровергнуто | класс |
 |---|---|---|---|
 | 7 | «эхо-клеток у `∅` 2, у `low` 0 ⇒ `low` безопаснее» | флаг `cjk_artifact` не сработал **ни разу за 100 клеток**. «Эхо» было 4 иероглифа на 7329 знаков (доля 0.00055) и 4 на 7331; у референса 5 и 10. Это УТЕЧКИ, а не эхо, и разница между руками ниже разрешения | термин применён шире, чем его определение |
 | 8 | «режет размышление не менее чем в 3.5 раза» | верх 95% ДИ ×0.431 = ÷2.3. Правильно «в 2.3–5.7 раза» | величина заявлена сильнее, чем её несёт интервал |
 | 9 | «на 21-й день после смены маппинга 30.08» | 30.08 → 02.09 = **3-й день**. 21 день — от смены ВЕСОВ 13.08, а обязательный шаблон §3-БИС требует маппинг | арифметика в самом клейме вывода |
 | 10 | «`decode_error` = 2xx с нечитаемым телом» | латентность 480 390–480 577 мс = ровно 2 × `attempt_s: 240` ⇒ это ТАЙМАУТЫ, а формулировка — классификация движка, а не механизм | ярлык инструмента принят за механизм |
 | 11 | «$0.689 = 34% цены руки» | это цена ЮНИТОВ целиком; сами четыре строки — $0.475893 = 23.8%. Оба числа законны, но подпись не говорила, какое | число без своего определения |
 | 12 | «между-юнитный наклон 1.57 сходится по порядку с exp19 (0.87)» | 1.57 ± 1.26, p=0.23 — совместим и с 0.87, и с НУЛЁМ. «Сходится» утверждать нельзя, можно «не противоречит» | согласие заявлено там, где оценка неинформативна |
 | 13 | «ретраи 39.3% цены руки» без оговорки | $0.405 из $0.785 сеттлены ПО ОЦЕНКЕ (вендор не вернул usage), то есть это верхняя граница, а не факт счёта | число без команды, которой оно получено |
 ⚠ **И одна поправка К КОНТРОЛЁРУ, снятая мной:** он написал «5 клеток `low` < 700 плюс 2 с `R̂ ≤ 0`
 = 7 из 40». Двойной счёт: клетки с `R̂ ≤ 0` уже входят в «< 700». Верно — **5 из 40** (2 в `p7-low`,
 3 в `p9-low`, из них 2 с `R̂ ≤ 0`).
 Плюс две операционные: `git commit -- <пути> -m <msg>` (git прочёл сообщение как pathspec) и
 `.gitignore:24` (`*.db.*.json`), который молча выбросил бы из фриза манифест движка — пойман
 проверкой индекса перед коммитом.
 **Все шесть пойманы ДО того, как повлияли на результат.** Четыре — агентом-контролёром на `fable`,
 поднятым по распоряжению владельца; две — собственным исполнением после его наводки.
 ---
 ### Д54.6 НАХОДКИ О ДВИЖКЕ, КОТОРЫХ ПЛАН НЕ ЗНАЛ
 1. **⭐ Проводная улика СУЩЕСТВУЕТ.** План §3 «Дыра 2»: «побайтной улики у движка нет». На деле
   `internal/obs/logging.go:72` `LogLLMExchange` пишет сырое тело запроса при `LOG_LLM_BODIES=1` +
   `LOG_LEVEL=debug` (вызов — `internal/llm/httpllm.go:415`), только тела, никогда URL и заголовки.
   Снято на пред-полёте:
   ```
   p7-off   reasoning_effort —       max_tokens 16000  temperature 0.4  model deepseek-v4-pro
   p7-low   reasoning_effort ['low'] max_tokens 16000  temperature 0.4  model deepseek-v4-pro
   p9-off   reasoning_effort —       max_tokens 16000  temperature 0.4  model deepseek-v4-pro
   p9-low   reasoning_effort ['low'] max_tokens 16000  temperature 0.4  model deepseek-v4-pro
   glm-off  …\"thinking\":{\"type\":\"disabled\"}
   ```
   Три РАЗНЫХ механизма на проводе, ровно как их описывает реестр моделей. Требование §14 «потолок
   вывода одинаков во всех руках» — исполнено НА ПРОВОДЕ, а не выведено из кода.
 2. **⛔ АВТО-БАНК РАСТЁТ МЕЖДУ ПОКУПКАМИ — главная угроза дизайну, которой план не предвидел.**
   Терминолог перезапускается в КАЖДОЙ руке и, пока у него остался бюджет, доращивает банк, а банк
   есть вход редактора. В базе `consolidated=51`, в первой же руке — 81, `memory_version` уехал,
   edit-снапшот сдвинулся, движок потребовал `--resnapshot` (запрещён). Без гарда это проявилось бы
   на ВТОРОМ юните уже с оплаченными клетками; хуже — банк мог вырасти по-разному в разных руках,
   дав редактору РАЗНЫЙ вход при внешне исправном кресте.
   **Лечение:** гонять базу конфигом БЕЗ стадии `edit` до неподвижной точки. Терминальное условие —
   не «`memory_version` не изменился», а **ноль свежих платных строк И ни одного отказа по деньгам**
   (иначе купленный батч, ничего не сконсолидировавший, выглядит точкой). Три итерации, банк
   51→101, стоило **$0.0352** при потолке $0.0538, выведенном из замороженных бюджетов.
 3. **Ось можно доказать ЗА $0.** Потолок «база + небольшая сумма» отказывает первой edit-резервации,
   но до этого движок бесплатно поднимает черновики, гоняет майнинг и терминолог по чекпойнтам,
   **вычисляет edit-снапшот и заводит edit-джоб**. Пять разных `edit`-снапшотов, один общий
   `draft`-снапшот и одинаковый `memory_version` установлены ДО первой траты.
   ⚠ Потолок гарда обязан лежать НИЖЕ редакторской резервации, но ВЫШЕ батча терминолога — иначе
   ложная точка выглядит тишиной (ошибка 2 выше).
 4. **`preflightBackup` роняет прогоны, стартовавшие в одну секунду:** точка восстановления
   именуется с точностью до секунды и не перезаписывается. Пять рук в одном каталоге ⇒ три из пяти
   упали кодом 1. В пачке из ста клеток это остановило бы прогон посреди ночи.
 5. **Цикл §9.3 плана содержал три дефекта, каждый молчаливый:** `rc=$?` после `| tee` без
   `set -o pipefail` возвращает код `tee` (проверено: `$?`=0 против `PIPESTATUS[0]`=4);
   `VOLUME CEILING:` печатается на КАЖДОМ ограниченном прогоне (`render.go:130`), так что `break 2`
   рвал бы цикл после первой клетки; `--config` грузит `book.yaml`, а §9.2 звал арм-файл копией
   `pipeline`.
 6. **Мина нумерации слабее, чем боялся план:** чанкер разбирает `第二十六节` и печатает в манифесте
   «Глава 26»…«Глава 42» при позиционных `number` 1…17, то есть соответствие восстанавливается из
   артефакта прогона, а не только из пре-рега.
 7. **⚠ КАПКАН СТЕНДА, В КОТОРЫЙ НЕЗАВИСИМО ПОПАЛИ ДВЕ СЕССИИ: юнит редактуры ШИРЕ чанка
   черновика.** В этом стенде 35 draft-чанков против 20 edit-юнитов, и у **15 юнитов из 20**
   `chunk_count > 1`. Ключ `(глава, индекс)` у юнита и у чанка СОВПАДАЕТ, поэтому «взять первый
   чанк вместо суммы» не даёт ни исключения, ни пустоты, ни заметного расхождения длин — только
   тихо неверное число. Здесь он испортил ковариату длины входа (поймано контролёром, исправлено
   `unit_draft_lengths()` с прямым тестом); в параллельной сессии слепого чтения тот же капкан
   лишил блокирующую линзу точности опоры на трети текста. **Лечение одно: собирать юнит из чанков
   `first_chunk_idx … first_chunk_idx+chunk_count−1` по манифесту движка, а неполный юнит помечать
   отсутствующим, а не полусуммой.**
   ⚠ И отдельно, потому что это проверялось по чужому поводу: **базовый прогон обрезанных
   черновиков НЕ отгружал** — среди 35 финальных `finish=length` ноль (`stop` 9,
   `banknote_export` 26); единственный обрыв черновой волны (глава 17 чанк 0) починен ретраем до
   5951 знака = 123% медианы.
 8. **`tmctl manifest` бесплатен и даёт `units_total` ДО покупки** — `n` можно и нужно пинить числом,
   а не «сколько получится». Здесь: 17 глав → **20 юнитов**, а не ожидавшиеся ~24.
 ---
 ### Д54.7 ДЕНЬГИ — факт против потолка
 ```
 $ ./eval/.venv/bin/python eval/dovodka/chetyre.py --stand … --manifest …    (секция «ДЕНЬГИ»)
 база (после стабилизации банка)   $0.308102
 потрачено вне текущих баз         $0.018243   ⚠ ушло провайдеру из БД, которая была пере-создана;
                                              улика logs/orphaned-spend-p7-low.tsv, sha256 2b15d1e7…
 p7-off   леджер $2.308142 − база ⇒ $2.000040
 p7-low   леджер $0.980793 − база ⇒ $0.672691
 p9-off   леджер $1.899771 − база ⇒ $1.591669
 p9-low   леджер $0.964030 − база ⇒ $0.655928
 glm-off  леджер $0.586246 − база ⇒ $0.278144
 ─────────────────────────────────────────
 ИЗРАСХОДОВАНО                     $5.524817   из САНКЦИИ $9.50
 ОСТАТОК                           $3.975183   — НЕ израсходован и добираться не будет
 ```
 ⚠ **Смета плана завышала цену клетки, и это тоже находка.** Закладывалось `∅` $0.09 и `low` $0.05;
 факт по медианам попытки 0 — `∅` $0.066–0.070 и `low` $0.028–0.030. ⛔ **Остаток НЕ основание
 добирать юниты:** рамка выборки заморожена ДИАПАЗОНОМ ГЛАВ, и §12 промта прямо запрещает добор
 после просмотра чисел.
 ⚠ **Смета недооценила другое: ретраи.** У `p7-off` они дали 39.3% цены руки, у `p9-off` — 26.3%,
 и большая часть этого — четыре оплаченных `decode_error`. Дорога в руках `∅` не только сама
 генерация, но и её обрывы.
 ---
 ### Д54.8 ЧТО ЭТО ЗНАЧИТ ДЛЯ КНИГИ — и чего из этого НЕ следует
 На книге в 2283 главы редакторская стадия при нынешней конфигурации (`∅`, то есть вендор-дефолт)
 проецируется по медиане клетки `$0.066–0.070` и пропорции 20 юнитов на 17 глав:
 **2283 × (20/17) × $0.068 ≈ $183** в пиковых терминах. При `low` — **≈$77**.
 ⚠ Это ПРОЕКЦИЯ по медиане на 20 юнитах одной книги, а не смета: разброс цены клетки внутри руки
 велик, и хвост обрывов на длинных главах в неё не заложен.
 ⛔ **Из пробы НЕ следует рекомендация переключить боевой редактор на `low`.** Проба измерила цену и
 $0-гейты. **Качество при сниженном усилии не судилось — это прямо вне скоупа (§12 промта).** Между
 «вдвое дешевле и не хуже по $0-гейтам» и «можно ставить в бой» лежит замер качества, которого нет.
 Что проба даёт для такого решения: **цена рычага известна**, **эхо-риск `low`, которого боялся план,
 не подтвердился** (эха не было ни в одной из 100 клеток), и **все пять провалов доставки пришлись на
 `∅`, ни одного на `low`**. ⚠ Но «`low` безопаснее» из этого не следует: утечки CJK в 4–10 иероглифов
 встретились и там и там, разница ниже разрешения, а качество ТЕКСТА не мерилось вовсе. Следующий шаг —
 судейство качества `low` против `∅`, и теперь его стоит купить: цена рычага делает его окупаемым, а
 подозрение по эху с него снято.
 ⛔ И отдельно: правка боевого `pipeline-c1.yaml` пинит тест `echo_mine_test.go:217` и двигает
 снапшот edit-волны ⇒ `--resnapshot` и перекупка волны. Это не «поменять строчку».
 ---
 ### Д54.9 ЧТО ВИДНО В САМИХ ТЕКСТАХ — $0-разбор по запросу владельца
 ⚠ **Границы этой секции.** Качество НЕ судится (§12 промта). Ниже — только детерминированные
 счётчики и одно наблюдение по оси целевого языка, то есть по $0-гейтам. **Тексты никто из
 исполнителей не читал глазами**, и впечатлений здесь нет намеренно.
 **Материал.** Юнитов, у которых финальный текст непуст во ВСЕХ пяти руках — **15 из 20**. Выпали
 ровно провалы `∅`: (4,0) `p9-off` пустой ответ и (11,0), (13,1), (14,0), (17,0) — таймауты `p7-off`.
 ⇒ **ни один оборванный или пустой текст в сравнительный материал не попадает.**
 Клетки с флагом `sanitizer_stripped` в материале ОСТАЮТСЯ, и это безопасно: **CJK в финальных
 текстах всех пяти рук по всем 15 юнитам — ровно 0** (утечка в 4 иероглифа была в СЫРОМ ответе и
 вычищена санитайзером).
 **Совпадение версий (по словам, `difflib` с `autojunk=False`, n=15):**
 | ось | медиана | минимум |
 |---|---|---|
 | усилие при P9 | 0.851 | 0.643 ю(6,0) |
 | усилие при P7 | 0.901 | 0.679 ю(12,1) |
 | промпт при `∅` | 0.902 | 0.829 ю(16,0) |
 | промпт при `low` | 0.858 | 0.651 ю(12,1) |
 | `glm-5` против `deepseek` | 0.901 | 0.706 ю(3,0) |
 ⚠ **Мера считается ПО СЛОВАМ и с `autojunk=False` — и это не педантизм.** Первая редакция считала
 посимвольно с умолчанием, где `SequenceMatcher` на текстах в 5–10 тыс. знаков объявляет мусором
 каждую частую букву; числа расходились втрое. Ловится положительным контролем: «половина текста
 заменена» обязана дать 0.500, и даёт.
 **Единого юнита-выброса нет:** на разных осях низшие разные, диспозиции у них `ok`, длины пяти
 версий различаются на 1–5%. Это обычный разброс генерации на побайтно одном входе, а не поломка.
 **⛔ Строка про авторский рефрен — эффекта НЕ ПРЕДЪЯВЛЕНО, двумя независимыми мерами.**
 Единственное содержательное различие двух промптов — оговорка «повтор в параллельных позициях
 исходника есть авторский рефрен, сохраняй его». Проверено:
 · **выживаемость повторов** — 5-словные n-граммы, встречающиеся в черновике ≥2 раз, сохранившиеся
  ≥2 раз в выходе: `p7-off` 1/12, `p9-off` 2/12, `p7-low` 0/12, `p9-low` 0/12. Знаково-ранговый
  **p=1.000**. ⚠ Материал метрике не даёт работать: кандидатов всего 12 на 3 юнита из 15.
 · **доля повторяющихся 3-грамм** — черновик 0.0209; `p7-off` 0.0222, `p9-off` 0.0178, `p7-low`
  0.0167, `p9-low` 0.0166. Контраст P9 − P7: медиана **−0.00135**, **p=0.107**, причём направление
  ПРОТИВОПОЛОЖНО предсказанию строки.
 ⇒ Согласуется с E3 (`p=0.487`). **Для чтения владельцем это значит: ось промпта — наименее
 перспективное место, куда тратить внимание.**
 **⛔ ДЕФЕКТ ЦЕЛЕВОГО ЯЗЫКА У РЕФЕРЕНСА, КОТОРЫЙ $0-ГЕЙТЫ НЕ ПОЙМАЛИ.** `glm-5` шесть раз оставил
 английское `cultivation` в русском тексте — один раз в ю(6,0), пять в ю(8,0):
 ```
 «Сейчас я только начал cultivation, моя сила — начальный уровень первого ранга…»
 «…увидев, что Фанъюань собирается продолжать cultivation, тут же забеспокоился…»
 ```
 У всех четырёх deepseek-рук латиницы **ноль**. Санитайзер и чекеры это пропустили: они ищут CJK и
 кириллическую чистоту, а **непереведённая латиница в целевом тексте под гейт не попадает**.
 ⚠ Это НЕ вывод об оси усилия — референс в крест не входит. Это (а) находка для гейтов и (б) причина
 НЕ включать `glm-5` в слепое чтение: по этому артефакту рука опознаётся мгновенно.
 **Годность материала для слепого чтения владельцем.** Пометок банка, служебных скобок, заголовков,
 сносок и обрывов на многоточии — по нулю во всех руках; суммарные длины пятнадцати юнитов лежат в
 пределах 1.3% друг от друга (110 496 … 111 938 знаков). ⇒ Четыре руки креста **неразличимы по
 форме**, материал честный. Оговорки: `glm-5` опознаётся по латинице и оказывается самым длинным в
 8 юнитах из 15 ⇒ **в слепое чтение его включать не следует**; и выборку юнитов для чтения должен
 делать не тот, кто видел числа.
 ---
 ### Д54.10 ⭐⭐ РЕПЛИКАЦИЯ НА НЕЗАВИСИМОМ ПОВТОРНОМ ПРОГОНЕ — и σ, замеренная на zh
 Параллельная сессия слепого чтения купила по санкции владельца **второй независимый прогон руки
 `p9-low`** (`arms/low2.db`, $0.659678) как активный нуль для своего судейства. Для НАСТОЯЩЕЙ пробы
 это оказался подарок: **реплика, которой в дизайне не было.** Разбор ниже — $0, на чужих данных.
 **Материал тождествен, проверено:** у `p9-low` и `low2` совпадают draft-снапшот `8d5721f65596`,
 edit-снапшот `b76ab168d95b` и `memory_version e1815faab405`. То есть это чистый повторный розыгрыш
 той же конфигурации на том же черновике и том же банке, а не другой замер.
 **Эффект воспроизводится:**
 | контраст | n | медиана | p |
 |---|---|---|---|
 | пара P9 с `low₁` (исходный) | 19 | **×0.230** | 0.0014 |
 | пара P9 с `low₂` (реплика) | 20 | **×0.307** | 0.024 |
 | шум ВНУТРИ руки (`low₂` − `low₁`) | 19 | ×1.590 | **0.225 — ниже разрешения** |
 То же по цене клетки: эффект ×0.473 (p=1.05e-04) с `low₁` и ×0.428 (p=0.002) с `low₂`; шум внутри
 руки ×1.106 при p=0.898.
 ⇒ **Вывод E1 держится при подстановке независимого прогона вместо исходного.** Знак, порядок
 величины и значимость сохраняются; систематического сдвига между двумя прогонами одной руки не
 предъявлено.
 **⭐ И главное побочное: σ ОДНОГО РОЗЫГРЫША ЗАМЕРЕНА НА zh.** Разность двух прогонов одной руки
 имеет sd = σ√2, отсюда:
 ```
 sd(log R̂(low₂) − log R̂(low₁)) = 1.493 по n=19   ⇒   σ = 1.493/√2 = 1.056
 ```
 План строил мощность на σ=1.2, а эррата Д47.7 давала **1.02 — но на АНГЛИЙСКОЙ паре и с прямой
 оговоркой «на zh не переносится»**. Замерено: **1.056**. ⇒ **Переносится.** Это закрывает долг,
 который план объявил открытым, и делает его таблицу мощности применимой к паре zh→ru.
 **Что это значит для разрешающей способности:**
 | | MDE |
 |---|---|
 | n=17, плановая σ=1.2 | ×2.31 |
 | n=17, **замеренная σ=1.056** | **×2.09** |
 | наблюдённый эффект | **÷3.53** ⇒ ВЫШЕ разрешения |
 Эмпирическая sd самого контраста E1 — **0.791** по 17 юнитам, что не противоречит теоретическому
 «sd контраста в кресте 2×2 равен σ» (план §4 «Мощность»).
 ⚠ **И честная половина той же находки, которую принесла параллельная сессия:** по СОВПАДЕНИЮ ТЕКСТА
 два прогона одной руки расходятся сильнее (медиана 0.799), чем разные руки между собой (0.820).
 **Это не противоречит E1 и не ослабляет его.** Разные величины: совпадение формулировок и объём
 размышления — разные вещи, и одна конфигурация свободно даёт разные слова при том же расходе
 токенов. Но для ЛЮБОГО замера, который судит ТЕКСТ, это предупреждение первого порядка: там шум
 розыгрыша крупнее межрукового различия, и без активного нуля такой замер награждал бы шум. Наша
 проба защищена парным дизайном по 20 юнитам — и, теперь, прямой репликацией.
--- a/docs/research/29-harness-topology-survey-codex.md
+++ b/docs/research/29-harness-topology-survey-codex.md
@ -0,0 +1,685 @@
 # research/29-harness-topology-survey-codex — архитектура харнесса художественного перевода
 **Независимая research-сессия Codex, 31.08.2026.** Дельта-срез относительно репозитория на
 31.08.2026. Пишется отдельным файлом с суффиксом `-codex` по прямому указанию владельца, поскольку
 параллельная сессия независимо готовит `29-harness-topology-survey.md`. Это исследование не меняет
 код, не ратифицирует архитектуру и не рекомендует внедрение: ниже только факты, измерения и границы
 переноса.
 ## 1. УЖЕ ПОКРЫТО
 Блокирующий синк выполнен **до первого интернет-запроса**. Команды снятия инвентаря:
 ```bash
 find docs/research -maxdepth 1 -type f | sort | wc -l
 for f in $(find docs/research -maxdepth 1 -type f | sort); do rg -n '^#{1,3} ' "$f"; done
 sed -n '1,360p' docs/experiments/README.md
 ```
 **Поправка владельца 31.08 выполнена исполнением:** исходный синк по экспериментам был неполон —
 он читал только README и структурно не видел `docs/experiments/*.md`. Перед повторной оценкой
 находок весь дельта-фильтр переснят командами вида:
 ```bash
 rg -n -i --glob '*.md' --glob '!29-harness-topology-survey*.md' \
  'ТОЧНЫЙ_ID|НАЗВАНИЕ|КОНЦЕПТУАЛЬНЫЙ_СИНОНИМ' docs/research docs/experiments
 ```
 Точные неплейсхолдерные patterns и фактические результаты приведены per-finding в §2.0. Оба
 текущих 29-файла исключены: собственный отчёт иначе находил бы сам себя, параллельный отчёт другого
 агента нарушил бы независимость исследования.
 Дата в таблице — дата создания файла по `git log --follow --diff-filter=A --format=%as`; это не
 означает свежесть всех его фактов. Вердикт учитывает ревью-шапку, если она есть.
 | Тема | Файл | Дата | Вердикт одной строкой |
 |---|---|---:|---|
 | Рынок и спрос | `research/01-market.md` | 04.07 | Фактура сегментов жива; прежний SAM снят как завышенный. |
 | Конкуренты | `research/02-competitors.md` | 04.07 | Ландшафт продуктов/OSS до июля; тезис о пустом ru-рынке снят. |
 | Agentic/doc/literary MT | `research/03-academic-agentic-mt.md` | 04.07 | Уже покрыты TransAgents, DelTA, DRT, TEaR, selection/synthesis и literary-eval; вывод «generate-then-select — ядро» superseded. |
 | Провайдеры | `research/04-api-providers.md` | 04.07 | Цены/модели/роли быстро устаревают; архитектурной дельтой не считаю. |
 | Память и глоссарий | `research/05-memory-glossary.md` | 04.07 | Уже покрыты lorebook, иерархические summary/RAG, DelTA и токен-бюджет. |
 | Локальные модели | `research/06-local-models.md` | 04.07 | Роли и экономика моделей под малую VRAM; не топология харнесса. |
 | Методология литперевода | `research/07-translation-methodology.md` | 04.07 | Уже покрыты профпроцесс, series bible, редактура и анти-translationese. |
 | Юридическое/ToS | `research/08-legal.md` | 04.07 | Юридическая рамка жива, провайдерская часть superseded. |
 | Go-прайор-арт транспорта | `research/10-vojo-ai-bot-review.md` | 04.07 | Адаптеры/роутинг/телеметрия, вне предмета топологий качества. |
 | 18+ маршрутизация | `research/11-gap-2.md` | 04.07 | Enforcement-факты, но состав канала пересобран; не дублирую. |
 | Selection vs refinement | `research/11-gap-3.md` | 04.07 | Развилка и пилот уже спроектированы; собственного книжного вердикта нет. |
 | Ru-экосистема | `research/11-gap-4.md` | 04.07 | Опровергает «ru никто не обслуживает»; рынок не пуст. |
 | Спрос/прайсинг | `research/11-gap-5.md` | 04.07 | SAM/SOM снизу вверх; вне архитектурной дельты. |
 | Общие режимы отказа | `research/12-common-failures.md` | 09.07 | Непрозрачный LLM-провенанс, числа без источников не наследуются. |
 | Отзывы читателей | `research/12-consumer-feedback.md` | 04.07 | Каталог жалоб и похвал; не измерение топологии. |
 | Академические таксономии | `research/12-error-taxonomies.md` | 04.07 | DITING/BlonDe/MQM/LitEval/LAIT уже разложены по механизмам. |
 | Ошибки ja→ru | `research/12-failure-modes-ja.md` | 04.07 | Языковые отказы уже каталогизированы; не пересказываю. |
 | Ошибки →ru | `research/12-failure-modes-ru-target.md` | 04.07 | Русская целевая сторона уже каталогизирована; не пересказываю. |
 | Ошибки zh→ru | `research/12-failure-modes-zh.md` | 04.07 | Китайская исходная сторона уже каталогизирована; не пересказываю. |
 | Валидация банка | `research/13-memory-bank-validation.md` | 04.07 | Dense/hybrid retrieval, детерминизм и режимы отказа банка уже проверены; ревью-шапка первична. |
 | Адаптивная память | `research/14-adaptive-memory.md` | 05.07 | ICL-демонстрации, LoRA/kNN и adaptive retrieval уже разобраны; ревью-шапка первична. |
 | Голос и scene-state | `research/15-voice-and-state.md` | 09.07 | Профили голоса, exemplars, scene/reader state и pre-pass уже покрыты. |
 | Ридер-IDE/HITL | `research/16-reader-ide-alignment.md` | 11.07 | Выравнивание, доверие и ручная редактура; не повторяю как топологию. |
 | Независимая критика | `research/17-external-critique.md` | 11.07 | Уже есть чистый-лист по состоянию, верности, литературности, цене и судье. |
 | Рычаги качества (GPT) | `research/18-quality-levers-chatgpt.md` | 11.07 | Гранулярность, discourse-reflow и двухступенчатый замер уже отработаны. |
 | Рычаги качества | `research/18-quality-levers.md` | 11.07 | Независимая карта сведена с проектом и построена; не источник новых идей. |
 | Нарезка/когезия | `research/19-chunking-cohesion.md` | 16.07 | Chunking, STM/carryover, волны и t/e-контракт уже исследованы и измерены exp15. |
 | Майнинг банка | `research/20-bank-mining.md` | 17.07 | Термы, алиасы, консолидация и слепые зоны уже покрыты и измерены exp16. |
 | Транспорт харнессов | `research/21-llm-transport-survey.md` | 23.07 | Wire/API-квирки уже разобраны; явно вне этого обзора. |
 | Доменные харнессы | `research/22-domain-harness-survey.md` | 24.07 | AiNiee/GalTransl/LinguaGacha и др. разобраны по коду; critique-loop отмечен, публичных quality-замеров почти нет. |
 | Engine↔platform | `research/23-engine-platform-seam.md` | 02.08 | Интеграционный шов, не топология перевода; transport-часть superseded. |
 | Арбитраж банка | `research/24-bank-arbitration.md` | 04.08 | Консилиум, self-consistency, селекция и confidence проверены на банк-термах; не переносить молча на прозу. |
 | Холодное ревью шва | `research/25-seam-cold-review.md` | 05.08 | Ратифицированная форма платформенного шва; вне предмета. |
 | Agent-harness guidance | `research/26-anthropic-guidance-digest.md` | 09.08 | Общие правила долгих агентных сессий уже абсорбированы; не MT-замер. |
 | Детекция глав | `research/27-chapter-detection.md` | 09.08 | Структура ingest книги; дизайн не ратифицирован, но не переводческая топология. |
 | API-контракт | `research/28-contract-review.md` | 16.08 | Контракт фронт↔платформа; вне предмета. |
 | Провайдерские/архитектурные эксперименты | `experiments/03–14b` | 04–15.07 | Модель черновика не дала эффекта; промпт/редактор/смысловые ловушки уже измерены на интерим-материале. |
 | Нарезка и банк | `experiments/15–16` | 22–24.07 | Когезия ниже floor; майнинг WHICH подтверждён, WHAT отправлен человеку/банкноте. |
 | Редакторский провод/контракт/роль | `experiments/18–20` | 04–08.08 | Закон-блок нужен; diff-контракт исправен, но дорог/опасен; поиск дефекта дороже идеального ремонта. |
 | Топология ролей | `experiments/21` | 08.08 | Закрытый замер: на его tested slice draft→editor сильнее голого черновика; точечный repair/feedback/routing отклонены. |
 | Жильцы редактора | `experiments/22` | 16.08 | Закрыт с поздними errata: en-эффект редактора жив, исходный широкий клейм второго прохода сужен. |
 | Тир и промежуточные схемы | `experiments/23` | 29.08 | **ИДЁТ**: `--final` красный, acceptance параллельна; порядок arm-ов и price-выводы пока позиционно confounded. |
 Следствие дельта-фильтра: находкой ниже может стать только (а) первичная работа новее тематического
 локального среза либо (б) отсутствующая здесь ось/новое измерение. Повтор известного допустим только
 как внешний контрсигнал с явно указанной дельтой.
 ## 2. Находки
 ### 2.0 Реестр дельт и исполняемая проверка
 Статус **измерено** ниже означает только то, что число есть в таблице/рисунке первоисточника;
 это не означает переносимость на наш конвейер. Команды запускались из корня репозитория 31.08.2026.
 `Ø` означает нулевой вывод; «есть» — найденный локальный предшественник, относительно которого ниже
 названа более узкая дельта.
 | ID | Ось | Статус | Дельта относительно репозитория | Чем проверено |
 |---|---|---|---|---|
 | F1 | смысловой скелет → стиль, multi-agent topology | измерено людьми | `research/17:243,287` уже знал статью и направление; новое — ставший доступным full text, точный дизайн, выборка и эффекты после прежнего 403. | `rg -l -i --glob '*.md' --glob '!29-harness-topology-survey*.md' 'target\.25081\|Workflow matters\|stylistic lift\|LCD-MAS\|PD-MAS' docs/research docs/experiments` → только `research/17` |
 | F2 | гранулярность и раунды refinement | **дубль результата; верификация библиографии** | Полный grep показал результат в восьми старых файлах; вместе с первоначальной строкой этого отчёта он действительно оказался девятым местом. Новое — лишь закрытый состав пар и exact human tables/границы. | `rg -l -i --glob '*.md' --glob '!29-harness-topology-survey*.md' '2605\.13368\|acl-long\.268\|What Does LLM Refinement Actually Improve' docs/research docs/experiments` → `research/{03,11,14,17,18}` + `experiments/{09,12,23}` |
 | F3 | память через длинный документ | измерено автоматически; код только заявлен | DelTA и adaptive retrieval покрыты, но translation-specific 3E-памяти с обученным выбором контекста Loong нет. Частный тезис «плохой контекст хуже пустого» уже есть в `research/13,14` и находкой не считается. | `rg -l -i --glob '*.md' --glob '!29-harness-topology-survey*.md' 'LoongDocMT\|2605\.30274\|3E memory\|observe.{0,8}and.{0,8}act' docs/research docs/experiments` → Ø; широкий grep `near.?miss\|лучше (ничего\|пуст)` → `research/13,14` |
 | F4 | отдельный диагност → редактор; число раундов | измерено автоматическими метриками и latency | В локальных файлах нет этой ACL-работы; это внешний контрсигнал к отклонённой нами feedback/repair-схеме, но на e-commerce. | `rg -l -i --glob '*.md' --glob '!29-harness-topology-survey*.md' '2026\.acl-industry\.115\|Diagnose.{0,15}Then Repair\|two-stage MQM' docs/research docs/experiments` → Ø |
 | F5 | thinking и creative prompting | измерено людьми + автоматически | Нет paired-task `Beyond Reproduction`: 23 модели, thinking-варианты и четыре creative-промпта на UCP. | `rg -l -i --glob '*.md' --glob '!29-harness-topology-survey*.md' 'Beyond Reproduction\|2026\.findings-acl\.2030\|2604\.18169' docs/research docs/experiments` → Ø |
 | F6 | валидность литературного судьи | измерено людьми + автоматически | `Creativity Bias` в `research/18` только названа; controlled source-visible/source-hidden sentence-pair опыта и точных modality/genre таблиц там нет. | `rg -l -i --glob '*.md' --glob '!29-harness-topology-survey*.md' '2026\.unlp-1\.8\|Semantic Fidelity Versus Literary Quality\|source.?hidden\|2605\.13596\|2026\.eamt-1\.43\|Creativity Bias' docs/research docs/experiments` → только `research/18` (Creativity Bias) |
 | F7 | бесплатные сигналы «машинности» | частично валидировано на русском | Локально уже перечислены MTLD/distinct-n/длины/повторы/пассив; новое — отделение machine detection от human translationese и русский RuATD baseline. | `rg -l -i --glob '*.md' --glob '!29-harness-topology-survey*.md' 'MTLD\|distinct-[nN]\|уменьшитель\|translationese\|машинност' docs/research docs/experiments` → `research/{03,07,12-consumer,12-taxonomies,12-ja,12-zh,15,18-chatgpt,18,22,28}` + `experiments/{21,23}` |
 | F8 | измеритель «не отходит от канона» | частичные метрики; единого прибора нет | LTCR, BlonDe, BWB, SEGALE, mStyleDistance и поздний D50/`canon_gaps` уже лежат локально. Первый проход, ошибочно переоценив ru-specificity, пропустил zh→en L-Anno, source-grounded TRANSGRAPH cohesion judge и англоязычный CONSTORY-CHECKER; CoTERM и MetaDocEval также новые для локального корпуса. | Полный `rg -n -i --glob '*.md' --glob '!29-harness-topology-survey*.md' '2024\.lrec-main\.583\|true consistency\|false consistency\|TRANSGRAPH\|2026\.eacl-long\.75\|ConStory\|CONSTORY\|2026\.findings-acl\.410\|CoTERM\|MetaDocEval' docs/research docs/experiments` → Ø; старые `LTCR|BlonDe|BWB|SEGALE|mStyleDistance|canon_gaps|effective consistency` найдены в обоих деревьях |
 ### F1. Full text уточняет известный контрсигнал: fluency выросла вместе с добавлениями
 **Источник.** Lulu Wang, Sanjun Sun, Xing Wang, Jinghang Gu, Kanglong Liu, 01.06.2026,
 [*Workflow matters: Comparing human translators and multi-agent LLMs in literary translation*](http://www.jbe-platform.com/deliver/fulltext/10.1075/target.25081.wan/target.25081.wan.pdf),
 `Target` 38:3, pp. 422–453. Это одна GPT-4o-версия (`gpt-4o-2024-11-20`) в обеих схемах, то есть
 изолирован именно workflow, а не жилец роли.
 **Что сравнили.** PD-MAS имитирует ISO-процесс: анализ/термы → переводчик → reviser → reviewer →
 proofreader. LCD-MAS режет главу на смысловые блоки примерно по 300 китайских знаков и делает:
 глобальные summary+strategy → для каждого блока перевод смысла → accuracy-revision → style guide →
 стилистический rewrite → после склейки ещё global style-guide и editor. Исходный корпус — 28 глав
 примерно по 3 000 китайских знаков из 15 опубликованных произведений 14 авторов и пяти поджанров;
 это Methods §§3.1–3.2/Table 1. Оценка — 30 слепо рандомизированных отрывков, средняя длина
 источника 166 знаков (Table 1),
 zh→en fiction.
 **Измерено (Results 4.1–4.3, Table 2).** Два профессора перевода оценивали accuracy, два native
 English writing experts — fluency. По accuracy медиана у всех трёх вариантов равна 8, Friedman
 `χ²(2)=0.37, p=.832`; LCD против human `p=.920, r=.02`. По fluency LCD имеет медиану 8 против 7 у
 human и 7.5 у PD; LCD–human `p<.001, r=.71`, LCD–PD `p=.024, r=.49`. Для трёх парных сравнений
 применена поправка Bonferroni. В отдельном preference-голосовании `n=120` (30 фрагментов × четыре
 эксперта) LCD получил 52/120 (43.33%), PD 39/120 (32.50%), human 29/120 (24.17%); для этих долей
 инференциального теста нет.
 **Что ограничивает клейм.** LCD был существенно длиннее: 149.5 английских слова против 113.4 у
 human и 99 у PD (Table 1). Сами эксперты назвали систематические добавления главным дефектом;
 пример включает отсутствующие в источнике «quiet beauty», «molten fire» и «fragile sense of hope».
 Планировщик распознавал культурные реалии, но обещанные пояснения иногда не доходили до финала.
 Следовательно, измерено превосходство по **fluency**, а не по точности или авторскому голосу.
 Книга целиком не оценивалась, стоимость, токены и число API-вызовов не опубликованы.
 **Дельта.** `research/17:243,287` уже ссылался на эту работу как на counter-signal и знал
 «stylistic lift with occasional additions»; исходный full text тогда был недоступен. Здесь новое
 только на уровне восстановленной улики: точная LCD-/PD-MAS topology, human sample, effect sizes и
 failure межагентной передачи плана. Общая идея «разделить смысл и стиль» новой не является.
 ### F2. В WMT24-Literary наиболее устойчивой была full-document input → local rewrite emission
 **Статус после полного дедупа: не самостоятельная находка.** Тот же paper/result уже находился в
 восьми старых файлах (`research/03,11,14,17,18`, `experiments/09,12,23`); первоначальная запись
 здесь делала его девятым местом. Пункт оставлен только как проверка первоисточника и закрытие
 локального TODO о составе языковых пар, а не как новая архитектурная дельта.
 **Источник.** Shaomu Tan et al., июль 2026,
 [*What Does LLM Refinement Actually Improve? A Systematic Study on Document-Level Literary Translation*](https://aclanthology.org/2026.acl-long.268.pdf),
 ACL 2026 Long Paper, Tables 1, 3–7. Девять моделей; WMT24-Literary, семь направлений:
 en→{cs,de,es,ja,ru,zh} и ja→zh. Документ около 2 048 слов; полный source и initial translation
 видны refiner при любой единице эмиссии, температура 0, до четырёх раундов.
 **Измерено автоматически.** MQM-FSP judge в этом блоке — Claude-3.5-Sonnet (§3). Из девяти
 комбинаций granularities наиболее устойчивой оказалась
 `document MT → segment refinement`: segment-rewrite менял обычно 25–40% токенов, тогда как
 whole-document refinement у большинства моделей менял менее 5% и давал ограниченный/нестабильный
 прирост (Table 1, §4.2). На DeepSeek-V3 simple general rewrite дал `+3.6 MQM-FSP`, а
 step-by-step — `+1.4`; у step-by-step accuracy/fluency/style+term равны `−0.9/−1.3/−0.4`
 (Table 3). Confidence исходных слов не предсказывал места правок: 43 631 слово, средний ROC AUC
 0.503 по log-prob и 0.504 по entropy (Table 7). Это broad projection в распределение редактора,
 не locate-and-fix.
 **Измерено людьми.** Профессиональный vendor покрыл outputs полного WMT24-Literary: 16 систем
 (4 модели × 4 стратегии), семь направлений, свыше 1 млн переведённых слов, human MQM и DA
 (Table 4). Но annotators видели contiguous chunks, а не целый документ (Appendix A.5): это полное
 покрытие test set, не whole-document human judgment. General был лучшим для всех четырёх моделей;
 его MQM/DA дельты: GPT-OSS-120B
 `+12.2/+3.7`, Qwen3-235B `+4.4/+1.3`, DeepSeek-V3 `+7.8/+3.1`, GPT-5.2 `+5.6/+2.0`.
 Step-by-step у тех же моделей дал MQM `−3.3, −1.5, −4.2, −7.2`. В targeted A/B на `n=102`
 200–300-словных chunks en→de/en→es (размер восстанавливается из процентов Table 5:
 16/35/51 = 15.7/34.3/50.0%) refined DeepSeek-V3 выиграл без ничьих 76.1% по accuracy,
 97.5% по fluency и 93.1% по style+term; во всех трёх строках `p<10⁻⁴` (Table 5). Поправка на три
 эти теста в статье не указана; для большой Table 4 доверительные интервалы/поправка также не
 даны.
 **Перенос.** Это литературный документ и среди пар есть en→ru и en→zh, но числа Table 4
 агрегированы по направлениям; отдельного human-эффекта для en→ru нет. Segment-level здесь означает
 локальную **полную перегенерацию блока при полном документе в контексте**, а не список правок.
 **Дельта.** `research/11` уже правильно пересказал механизм по майскому препринту, а `research/17`
 уже отметил ACL-final. Реальная дельта этого пункта — снятие явного TODO о составе пар и exact
 human tables вместе с chunk-level границей их чтения; архитектурной новинкой результат не считаю.
 ### F3. Loong обучает не саму память, а выбор полезного контекста; литературная улика пока автоматическая
 **Источник.** Yutong Wang, Xuebo Liu, Derek F. Wong et al., 28.05.2026,
 [*Loong: A Human-Like Long Document Translation Agent with Observe-and-Act Adaptive Context Selection*](https://arxiv.org/html/2605.30274),
 arXiv:2605.30274; заявленный код —
 [`YutongWang1216/LoongDocMT`](https://github.com/YutongWang1216/LoongDocMT).
 **Заявлено.** После каждого сегмента 3E-memory пополняет (1) Essence —
 LLM-summary, (2) Exemplars — все предыдущие source–target пары, (3) Entities — структурные записи.
 Encoder сначала достаёт top-K summary/exemplars и все упомянутые entities; observe-and-act агент
 последовательно фильтрует три типа. Политика выбора обучена SFT/DPO на предпочтениях из собственных
 траекторий. В inference псевдокод делает три reasoning-шага выбора (Algorithm 1), translation, summary и entity
 update; поэтому это не «один переводческий вызов с RAG». Размер сегмента в самом источнике
 **внутренне противоречив**: §4.1 задаёт `l=5` предложений, Limitations — десять. Ни одно из двух
 значений нельзя выдавать как однозначно установленное.
 **Измерено (автоматически).** Основное обучение — примерно 500 news-документов на каждую пару
 en↔{zh,de,fr} (§4.1/A.4); human-eval нет. В OOD GuoFengV1 zh→en webnovel (12 документов, средняя длина 1 445
 слов, Table 4/A.4) Loong против DelTA дал sCOMET `76.2 vs 74.2`, dCOMET `73.1 vs 70.5`,
 GPT-4.1 judge `67.3 vs 63.0` (Table 4). Ablation Table 3 — News Commentary V18.1,
 En→{zh,de,fr} aggregate, Llama3.1-8B, sCOMET+dCOMET+GPT-4.1 judge: средний score Loong 80.2,
 без контекста 77.4, без tuning 75.4. Поправка на множественные сравнения не указана.
 Отдельная демонстрация перевела первые 12 глав известного *Journey to the West* zh→pt
 (51 854 слова), но Figure 1 даёт только автоматические кумулятивные curves; известный классический
 текст и отсутствие человека делают это предварительной stability-уликой, не книжным quality-тестом.
 **Цена и воспроизводимость.** Авторы прямо признают дополнительный computational overhead, но не
 дают токены, latency, API calls или деньги. На 31.08.2026 открытое дерево linked-репозитория
 содержит только `README.md`, а не implementation: фраза статьи «code is released» фактически не
 подтверждена кодом.
 **Дельта.** `research/05` знает multi-level memory DelTA, `research/14` — adaptive retrieval, а
 `research/15` — exemplars. Новое их пересечение: обученный translation-specific выбор между
 summary/exemplar/entity с OOD-webnovel таблицей. На сотни глав, zh→ru и человеческий голос перенос
 не измерен.
 #### Проверка тезиса «плохо отобранный контекст хуже пустого»
 **Вердикт: подтверждён внутри Loong, но не является нашей новой находкой.** Чистая улика — не
 сравнение `w/o Tuning=75.4` с `w/o Context=77.4` в Table 3: эти arms различаются и обучением, и
 политикой контекста, поэтому такое сравнение confounded. Прямее §4.4/Figure 4: авторам удалось
 впрыснуть 30–50 предложений из других документов; у двух selection-free baselines sCOMET, dCOMET
 и GPT-4.1-score последовательно падали относительно pseudo-context length `0`, тогда как Loong
 оставался почти стабильным. Figure 4 не печатает точные значения и significance test; основа —
 News Commentary/WMT24++, не книга и не human judge.
 Полный локальный grep вернул [`research/13:42`](13-memory-bank-validation.md) с буквальным принципом
 «лучше ничего, чем мусор» и [`research/14:75`](14-adaptive-memory.md) с `near-miss`-дистрактором;
 поэтому это внешняя репликация уже известного вывода, не F3-дельта. Более ранние Power of Noise и
 Yoran et al. там относятся к QA/RAG, а не к MT; Loong впервые в этом наборе даёт прямой MT-тест,
 но только автоматический.
 ### F4. Отдельный evaluator→post-editor выигрывает на e-commerce, но это не наш diff-контракт
 **Источник.** Ji Hun Wang, Siyu Wu, июль 2026,
 [*Diagnose, Then Repair: A Two-Stage MQM-Guided Post-Editing Framework for Domain-Specific Machine Translation*](https://aclanthology.org/2026.acl-industry.115.pdf),
 ACL Industry 2026, Tables 1–4, 7–10.
 **Топология.** Claude Opus 4.5 один раз выдаёт MQM `issue_id/span/category/severity/suggested_fix`
 с retrieved TM-exemplars; отдельный post-editor получает report и обязан минимально исправить
 только диагностированные места. Важно: post-editor возвращает **полную новую hypothesis плюс edit
 log** (§3.4), не исполнимый список search/replace-операций.
 **Измерено.** Внутренний e-commerce test — 5 000 сегментов для каждого из en→de/it/es/fr/zh/ja;
 KB 135–184 тыс. пар (Table 10), initial MT Claude 3.5 Sonnet, семь post-editor моделей. На en→de
 no-edit COMET/CometKiwi `86.39/82.66`; one-stage Opus `89.38/82.84`; two-stage P3+Sonnet 4.5
 `89.93/84.50`. На en→zh соответственно `87.76/81.60`, `88.70/79.57`, `90.80/83.19`
 (Table 1). Two-stage COMET выше one-stage у 4/7 моделей en→de и 6/7 en→zh, но CometKiwi у ряда
 моделей падает (complete Table 5), поэтому фраза абстракта «consistently improves both» шире тела.
 Статзначимость/поправка на множественность не приведены; judge результата — только COMET-22 и
 CometKiwi.
 На en→de второй repair-round ухудшил COMET в 6/7 клеток; единственный плюс Sonnet 4.5 равен +0.14, а
 GPT-OSS-120B дал −1.86 (Table 4). Latency на `n=50`: evaluator mean/median/p95
 14.34/7.80/54.38 s, post-editor 3.30/3.10/5.04 s, end-to-end 17.64/10.90/59.41 s (Table 8;
 языковая пара для latency source не указана).
 Прайс-лист моделей дан, но фактические токены и dollar cost прогона не даны.
 **Перенос под вопросом.** Короткие повторяющиеся товарные сегменты и automatic metrics — другой
 класс, чем глава прозы. Более того, заявленные в abstract «agreement with human MQM» и «human
 editor preferences» не имеют в полном тексте методики или таблицы human study; их здесь не считаю
 измеренными.
 **Дельта.** Это не опровергает наш дорогой list-of-edits: формы выхода различны. Оно даёт лишь
 внешний контрсигнал к локально отклонённой топологии «diagnose отдельно → repair отдельно» и
 измерение того, что второй раунд чаще регрессирует.
 ### F5. Source-comprehension thinking и translation prompting дают неоднородные эффекты
 **Источник.** Ran Zhang, Steffen Eger, Arda Tezcan, Wei Zhao, Simone Paolo Ponzetto, Lieve Macken,
 июль 2026, [*Beyond Reproduction: A Paired-Task Framework for Assessing LLM Comprehension and
 Creativity in Literary Translation*](https://aclanthology.org/2026.findings-acl.2030.pdf), Findings
 ACL 2026; код/данные заявлены в [`NL2G/Beyond-Reproduction`](https://github.com/NL2G/Beyond-Reproduction).
 Проверяемые пути репозитория: `task2_ucp/task2_evaluator.py`,
 `task2_ucp/step2_batch_task2_translation.py`, `prompt_openrouter.py`.
 **Две разные задачи и судьи.** Task 1 — `n=299` English claim–reasoning items из 11 классических
 романов разных жанров, средний excerpt 186 tokens; языковой пары нет, это source comprehension
 (§3.1). Gold прошёл трёх Prolific-аннотаторов на item, затем проблемные случаи — первого автора и
 двух trained annotators; всего участвовали 33 Prolific и два expert annotators (§3.1, §3.3).
 Task 2 — по 20 UCP-rich excerpts из восьми романов для en→zh и en→nl, 78/76 target-текстов,
 398/374 размеченных units of creative potential (Table 1). Human gold создали один опытный
 Chinese и один Dutch annotator; масштабируемый judge — Qwen3-Next-80B, `F1=.710` на en→zh
 validation subset из 12.8% human-annotated paragraphs (§3.2). Затем сравниваются 23 модели ×
 четыре prompts; поправка на множество model/prompt сравнений не указана.
 **Измерено.** На Task 1 thinking-пары немонотонны: Qwen3-235B-Thinking лучше обычного,
 Qwen3-30B-Thinking хуже, Claude 3.7 Thinking даёт лишь небольшой эффект (§5.1); это результат о
 понимании источника, не о качестве перевода. Масштаб модели связан с macro-F1 слабо и незначимо
 (`ρ=.311, p=.149`, Figure 2). На Task 2 прямые пары также расходятся: Qwen3-235B avg/max
 `−.065/−.036`, Thinking `.048/.108`; Qwen3-30B `.045/.060`, Thinking `−.033/.024` (Table 13).
 Распределения четырёх prompts сильно перекрываются; лишь 7/23 систем достигают личного максимума
 на самом explicit P3. Только Mistral-Large (0.167), Mistral-Small-Creative (0.107) и
 Qwen3-235B-Thinking (0.108) вообще превысили creativity 0.1 при human baseline 0.246 (Figure 3,
 Table 13). У DeepSeek-V3.2, Jamba-Large и Llama3.1-405B больше creative freedom снизило score.
 **Цена отдельно.** Статья не сообщает reasoning tokens, latency или dollar cost; следовательно,
 она отвечает на quality-ось, но не на cost-ось thinking. Отрывки в среднем около 218 source-токенов,
 не главы; перенос на книгу и →ru под вопросом.
 **Дельта.** Локально уже есть DRT и отрицательный результат decomposition/`translate again`.
 Здесь новое — прямой paired benchmark «понимание не равно creative transfer», thinking-варианты и
 четыре уровня creative prompting на литературных UCP, а не общая MT-метрика.
 ### F6. Два новых контроля показывают, что «литературный judge» меняет сам конструкт
 #### F6a. На sentence pairs одной книги тот же judge переворачивает рейтинг, если скрыть источник
 Dmytro Chaplynskyi, Ivan Kulynych, Maria Shvedova, Lesia Ivashkevych, май 2026,
 [*Semantic Fidelity Versus Literary Quality*](https://aclanthology.org/2026.unlp-1.8.pdf), UNLP
 2026, Tables 2–4. Корпус покрывает одну целую известную книгу, *Animal Farm*, en→uk: семь
 human-переводов и GPT-5.2/DeepL/Lapa, 1 367 aligned sentences, из них 1 128 valid. Единица
 автоматической и pairwise оценки — выровненные предложения, не book-level чтение. Семь neural MT
 metrics поставили
 все три AI в top-3. AI–AI против human–human: LaBSE 0.941/0.711, XCOMET round-robin 0.886/0.627,
 COMET-22 0.881/0.750 (Table 2); одновременно AI имели MTLD 311 против 377 у людей (−18%) и 0.47
 против 1.23 diminutives на тысячу токенов (2.6× меньше).
 Контроль удерживал GPT-5.2-judge неизменным: около 750 pairwise сравнений с source и 750 без него;
 ещё 1 034 judgments дали четыре профессиональных en→uk переводчика с source, A/B порядок
 рандомизирован (Table 3). При source-visible AI ranks были GPT-5.2 #1, DeepL #3, Lapa #4; без
 source все три упали ровно на пять позиций — #6/#8/#9 (Table 4), а top-5 заняли люди. Формальных
 significance tests/поправки для rank reversal нет, GPT-5.2 одновременно кандидат и judge, книга
 известна pretraining. Поэтому это сильный within-judge construct-control, но лишь одна пара/книга.
 #### F6b. Профессиональная creativity-аннотация не совпадает с MQM-judge
 Kyo Gerrits, Rik van Noord, Ana Guerberof Arenas, июнь 2026,
 [*Creativity Bias: How Machine Evaluation Struggles with Creativity in Literary Translations*](https://aclanthology.org/2026.eamt-1.43.pdf),
 EAMT 2026, Tables 4–5, 11–12; протоколы —
 [`INCREC/Creativity_bias`](https://github.com/INCREC/Creativity_bias), каталоги `Evaluations/`,
 `MT/`, `Statistical analysis/`. Шесть коротких текстов
 97–182 слова, три жанра (poem/short story/thriller), en→nl, en→ca, ru→nl; три modalities HT/PE/MT.
 Четыре профессиональных литературных переводчика создали HT/PE и MQM errors, три doctoral
 translator-annotators разметили creative shifts. GPT-5.2 high-reasoning — LLM judge.
 Профессиональный creativity index HT/PE/MT равен 62.2/28.9/−15.9 для en→nl,
 30.0/15.2/−31.6 для en→ca и 60.1/32.2/−50.8 для ru→nl (Table 4). Среди девяти automatic metrics
 максимальная корреляция с creative shifts всего 0.20, с errors 0.39, с combined CI 0.35
 (Figure 2). GPT-5.2 часто нашёл другие errors: например, по агрегату Table 5 его match означает
 совпавший span, не совпавшую категорию; 15/38 professional Kudos он назвал ошибкой. GLM показал,
 что judge чаще человека ставит ошибки HT (`z=2.07, p=.038`) и реже — MT (`z=6.16, p<.001`). Для
 различий professional modalities применён post-hoc Holm–Bonferroni (Table 12); для сетки
 metric-correlations отдельная поправка не заявлена.
 **Общая дельта F6.** `research/03` и `18` уже знают, что literary metrics/LLM judges расходятся с
 читателем; тезис не новый. Новые измерения — controlled source-visibility на sentence pairs,
 покрывающих одну книгу, и genre×modality creativity annotation, включая русский источник. Они
 объясняют, почему внешний F1 может одновременно иметь высокий fluency/preference и систематические
 добавления, но book-level голос/когезию F6a не измеряет.
 ### F7. Бесплатные детекторы «машинности»: книжные сигналы есть, надёжного long-form прибора нет
 Здесь важно не смешать три разных конструкта: (а) **machine-generated vs human-written**,
 (б) **переводной vs оригинальный русский** (`translationese`) и (в) бедность/сжатие литературного
 стиля. Один и тот же бесплатный признак может разделять один конструкт и инвертироваться на другом.
 «Бесплатный» ниже означает без платного LLM/API-вызова; локальные tokenizers, taggers и classifiers
 всё равно требуют вычислений и, для supervised detector, обучающих данных.
 | Бесплатный сигнал/прибор | Где проверен | Что реально доказано | Граница |
 |---|---|---|---|
 | Dist-{1,2,4}, Ent-{1,2,4}, TTR, CTTR, длина; открытый TF-IDF→SVD→logistic baseline | Shamardina et al., 03.06.2022, [RuATD-2022](https://arxiv.org/html/2206.01583), русский; весь split 130k/21k/32k/32k, MT-часть 35 860 samples | Private-test accuracy TF-IDF `0.64223`, BERT `0.79666`, top `0.82995`, crowd `0.66666` (Table 5). Значит, открытый русский ATD benchmark и работающие classifiers существуют. | MT-тексты от OPUS-MT/M-BART50/M2M-100 имеют в среднем 11.5 tokens и фильтр 5–25; это не современный LLM-литперевод и не книга. TTR для MT: human `.98`, machine `.97`; CTTR `2.08/1.97` (Table 4) — малый сдвиг. |
 | Lexical richness, perplexity, число символов/предложений, POS-TF-IDF, пунктуация, sentiment, readability | Та же RuATD, анализ решений §5 | Эти дополнительные признаки давали лишь ограниченную пользу; ни одна top-3 система их не использовала. | Это не валидация отдельного порога: выигрыш принадлежит обученному classifier, а не «MTLD ниже X». |
 | MTLD, hapax/top-100, частицы, уменьшительные, function-word Cosine Delta, dispersion ratio длины, попарный chrF | Chaplynskyi et al., [UNLP 2026](https://aclanthology.org/2026.unlp-1.8.pdf), одна en→uk книга, 7 human + 3 AI | На этом корпусе AI: MTLD `311` против `377`, частицы примерно до 2× реже, уменьшительные `0.47` против `1.23`/1k tokens; AI outputs также сильнее сходятся между собой. Это релевантная книжная проверка класса сигналов, хотя не нашей пары. | Не classifier и нет held-out threshold/accuracy. Языково-зависимые признаки вроде частиц/уменьшительных требуют переопределения для English target; MTLD, dispersion и межсистемная сходимость переносятся как конструкты напрямую. |
 | 45 структурных/лексических частот: пассив, non-finite/deverbal forms, pronoun classes, connectives, clause types, lexical density/TTR, dependency distance, sentence/clauses statistics | Kunilovskaya, Lapshinova-Koltunski, Mitkov, сентябрь 2021, [Russian fiction translationese](https://aclanthology.org/2021.ranlp-1.84/): оригинальная русская проза vs человеческие переводы на русский из 11 языков, RNC | Binary classification `82–92%`; structural features стабильнее lexical (Results/abstract, Appendix Table 2). Значит, бесплатная морфосинтаксическая панель на русской художке валидировалась. | Она распознаёт **в том числе живой человеческий перевод** как переводной русский; использовать её как machine-detector означает ложноположительно штрафовать сам объект работы. |
 **Исполнительный вердикт.** Кроме уже локально названных MTLD/distinct-n/дисперсии длин/повторов,
 существуют n-gram entropy, function-word distance, частицы, lexical density, морфологические классы,
 связки, типы клауз, dependency distance, expansion dispersion и простые обучаемые TF-IDF/POS
 classifiers. RuATD и русский translationese-классификатор подтверждают работоспособность семейства,
 а en→uk book experiment — применимость части сигналов на книжном переводе. Главный пробел не в
 языковой паре: **не найден пороговый detector с held-out quality/false-positive validation на
 длинном современном LLM-литпереводе вообще**. Поэтому эти числа — диагностические оси/регрессия
 внутри одной книги, а не доказательство «текст машинный».
 ### F8. «Не отходит от канона»: есть частичные приборы, но единого long-range score нет
 Вопрос не о механизме памяти, а о наблюдаемом результате. По первоисточникам приборы распадаются
 на три несовместимые задачи: (1) одинаково ли переведены повторные сущности/термы; (2) совпадает ли
 выбор с утверждённым каноном; (3) остаётся ли различимым голос персонажа.
 | Прибор | Что нужно на входе | На чём валидирован | Что доказывает / не доказывает |
 |---|---|---|---|
 | **Наш `canon_gaps` / D50 `bank.py`** ([exp23 §Д32.4, §Д50](../experiments/23-editor-tier.md)) | source triggers + подписанный bank `dst ∪ decl.forms` + candidate output; полный reference не нужен | Частичные zh→ru webnovel runs: 375–548 (term, chunk) пар; presence `96.9–98.9%`, weighted misses `0.23–1.29%`, effective consistency `99.3–100%` (§Д50.2). Exp23 в целом ещё **ИДЁТ**. | Это уже прямой измеритель adherence к явному канону терминов. Но ручное чтение поймало `古月方源 → «Гу Юэ Фан Юань»` вместо «Гуюэ», невидимое обоим автоматам из-за fullname-alias (§Д50.3). Следовательно, даже наш самый близкий прибор — монитор с известным blind spot, не proof книги. |
 | **LTCR** — доля совпавших пар переводов повторного source-word среди `C(k,2)` ([Lyu et al., EMNLP 2021](https://aclanthology.org/2021.emnlp-main.262/)) | source + candidate + word alignment; полный reference не нужен | Gold-aligned ZH–EN: 268 docs/6 741 sentences; tests: zh↔en news 509 docs/5 146 sentences, TED zh↔en/en→fr 46 docs/4 632 sentences. Human test `n=500` сравнивал системы в целом, а не валидировал LTCR против ручной term-consistency. | Это прямо релевантное zh→en свидетельство внутренней лексической самосогласованности. Ограничение конструкта, а не языка: стабильно неверная форма получает 100%, identity/aliases/coreference не строятся. Уже подробно покрыто `research/05,13,14,15,19,20` и `experiments/15,16`. |
 | **L-Anno / true-consistency test set** — LTCR только на повторных словах, которые действительно обязаны совпадать ([Lei et al., LREC-COLING 2024](https://aclanthology.org/2024.lrec-main.583.pdf)) | Для released test-set: source + candidate + alignment + gold-разметка source-position pairs «вариативность допустима/недопустима»; target reference при scoring не нужен. Но создание такой разметки для новой книги требует bilingual source/reference и людей. | Формально zh→en: 310 news documents/5 051 sentences, avg 16; статьи были изначально написаны по-английски и профессионально переведены на китайский, то есть тест делает reverse translation Chinese translationese→English original. 2 bilingual linguistics students, overlap 42 docs, IAA F1 `.96`. Из 30 667 пар повторных source words, одинаково переведённых в human target, 17 292 (`56.4%`) были true consistency, 13 375 (`43.6%`) — false consistency; `49.8%` true pairs разнесены на ≥5 предложений. | Исправляет conceptual defect LTCR: не штрафует всякую допустимую вариативность. Но это короткие reverse-origin news-документы, четыре старых NMT systems, без LLM/романов; score проверяет одинаковость требуемых pairs, а не правильность английской формы. В локальном корпусе точного источника не было. |
 | **Semenov–Bojar terminology consistency** ([WMT 2022](https://aclanthology.org/2022.wmt-1.41/)) | source + candidate; terms/alignments; pseudo-reference = первое или самое частое candidate-употребление. Полного reference нет. | cs→en, 33 коротких legal agreements ELITR; WMT21/22 systems. Корреляция с human DA лишь косвенная: DA взята на **другом news dataset**; авторы называют оценку preliminary. | Ловит one-to-many drift без эталона, но превращает first/majority error в «канон» и не знает правильности. Это ровно известная локально опасность LTCR-first-wins. |
 | **CoTERM** — HHI для accuracy + consistency + допустимой вариативности ([Hazem & Kageura, LREC 2026](https://aclanthology.org/2026.lrec-1.682/)) | Для `CoTERM+` достаточно annotated source terms + term-only canon допустимых targets + candidate; полный framework и `CoTERM−` дополнительно предполагают sentence references. | en→fr TICO-19 (30 docs, 2 100 annotated sentences) и en→ja ASPEC (1 300); 1 250 system sentences/309 term pairs оценили 3 native Japanese specialists. Correlation с людьми умеренная: Kendall `.41–.47`, Pearson `.46–.57` (Table 6), хотя abstract говорит “strongly”. | Может отличить допустимые варианты от ошибок, то есть ближе всего к «держит утверждённый термин». Языковая пара не мешает перенести формулу на zh→en при наличии term list; реальный предел — sentence/term-level human validation, тогда как document/corpus validation оставлена будущей работой. |
 | **BlonDe** — F1 по ENTITY/TENSE/PRONOUN/discourse categories ([Jiang et al., NAACL 2022](https://aclanthology.org/2022.naacl-main.111/)) | candidate + **полный human reference**, English NER/POS/rules | BWB zh→en webnovels: 384 книги; train 377, printed test 80 chapters/2 632 sentences, dev 79; chapter 18–46 sentences, median 30. Error study: 8 professional translators; correlation study: 4 translators + 4 native-English revisers, 5-sentence blocks. BlonDe.F1 `r=.417` adequacy/`.358` fluency. | Это наиболее прямо релевантный найденный zh→en literary benchmark, и для English target его инструменты подходят без языкового порта. Но score остаётся reference-based category-count overlap, не book-level identity/coreference/alias tracking и не автономный контроль 2 000 глав. Уже покрыта `research/03,11,12,15,22`. |
 | **BWB gold discourse benchmark/protocol** ([Jiang et al., ACL 2023](https://aclanthology.org/2023.acl-long.435.pdf)) | source + full target reference с entity IDs, term-span flags, coreference chains и quotation structure; system output; ручная либо task-specific automatic сверка. Term flag — категория, не готовый список допустимых canonical strings. | Zh→en webnovels: test 80 chapters/2 633 sentences из 6 novels; 8 professional translators. §3 печатает 8 585 EN + 6 070 ZH = **14 655** mentions, тогда как abstract конфликтно заявляет 15 095; бесспорным считаю разложенное число. Отдельно 4 zh→en experts размечали document errors; ENTITY `43.3%`, COREF `34.0%`, TERM `19.2%`, ZEROPRO `17.3%`, QUOTE `1.1%` (категории пересекаются). | Это gold bilingual resource/protocol для отдельных entity/term/coreference/quotation audits, не один воспроизводимый production canon score. Нужны annotated source/reference и task-specific evaluator либо человек; межглавная дистанция и character voice не покрыты. Полный локальный дубль `research/17,18-chatgpt` и семейств BlonDe; дельты источника нет, была ошибка моей интерпретации. |
 | **MetaDocEval** — contrastive тест самих метрик ([Dahan, Bawden, Yvon, EAMT 2026](https://aclanthology.org/2026.eamt-1.19/)) | perturbations + source/reference/system outputs; это meta-evaluation, не production score | en→fr/es/de WMT24++, 59–150 docs на perturbation/pair, average 11.3 sentences. Document-quality human scores не собирались; один annotator проверил лишь perturbation validity en→fr: `n=31/26/19/40` для tense/lexical/conjunction/pronoun (Appendix A.6). | Отрицательный результат: ни одна текущая метрика не ловит document coherence надёжно; reference-free COMETKiwi/MetricX-QE к `w=9` едва около chance, LLM scorers деградируют, лучший компромисс ≈3 предложения. Style/register и deep coreference не покрыты. |
 | **TRANSGRAPH source-grounded cohesion probe** ([Pham et al., EACL 2026](https://aclanthology.org/anthology-files/pdf/eacl/2026.eacl-long.75.pdf), §3.3.5) | English source + candidate; Gemini-2.5-Flash ставит tags только source pronouns/coreferents и conjunctions, затем отмечает корректность target realization; полный reference для score не нужен | ACL 60/60: 5 technical talks, 6 en→de/fr/ja/pt/ru/zh directions; avg 84.2 sentences/1 746 tokens, max 101/2 031. Spot-check — только docs 111/410, без числа tags, annotators и IAA: coreference annotation `97.2/98.8%`, evaluation `100/100%`; conjunction annotation `98/100%`, evaluation `93.9/98.4%`. | Новый reference-free LLM probe для English-source pronoun coreference/conjunction внутри system paper, не отдельно meta-validated metric; human-quality correlation нет. На zh→en не проверен: нужна валидация Chinese source tagging/prompts. Терминология и произвольные entity names этим probe не оцениваются. |
 | **mStyleDistance** ([Qiu et al., Findings ACL 2025](https://aclanthology.org/2025.findings-acl.869/)) + character-quote verification ([Michel et al., LaTeCH-CLfL 2024](https://aclanthology.org/2024.latechclfl-1.15/)) | target-only quote aggregates с известным speaker; reference не нужен, но для preservation нужен baseline/profile, которого статьи не валидируют | mStyleDistance обучен на 9 языках; AV — Greek/Spanish/Dutch (avg ROC-AUC `.66`). Fictional Voices особенно релевантен English target: 28 English novels, 1 606 chapterwise queries; LUAR character-character AUC `.816`, но quote attribution `.536` против semantic `.551`. | Это style/distinguishability proxy, не human-correlated character voice fidelity. Ни одна работа не валидирует сохранение голоса **при переводе** или через сотни глав; именно это, а не отсутствие русского, остаётся пробелом. Локально ось уже есть в `research/15`; боевые `first_person`/`speech` пусты `0/49` (`experiments/23:4355`). |
 | **CONSTORY-CHECKER / Consistency Error Density** ([Huang et al., Findings ACL 2026](https://aclanthology.org/2026.findings-acl.410.pdf)) | только целевая длинная история; o4-mini извлекает и попарно проверяет противоречащие цитаты по 5 dimensions/19 subtypes; external reference/canon не нужен | English fiction, **prompted** на 8–10k words; фактическая длина diagnostic отдельно не дана. Diagnostic: 200 stories, 1 000 injected errors от Qwen3-235B-A22B-Thinking; 2 professional webnovel writers выступали competing detectors против injected ground truth. Checker: precision `.884`, recall `.550`, F1 `.678`; character F1 `.742`, factual `.718`, narrative/style `.507`; union людей F1 `.374`. | Target-only internal-contradiction detector, валидированный на синтетически внедрённых, не естественных ошибках; human correlation нет. Он не доказывает adherence к source/canon и пропускает последовательный, но неверный перевод. English/Western fiction, одна judge model, не multi-chapter. В локальном корпусе работы не было. |
 Два близких названия не надо ошибочно превращать в дополнительные canon-scores. [SEGALE
 (Wang et al., EMNLP 2025)](https://aclanthology.org/2025.emnlp-main.1645.pdf) переносит COMET/MetricX
 на неразмеченный поток произвольной длины через cross-lingual segmentation/alignment и допускает
 reference-free QE. В book experiment модели переводили отдельные 1k/2k/4k/8k-token inputs,
 нарезанные из одной zh→en книги; MetricX/null-alignment trends там не перепроверялись людьми.
 Это полезный **транспорт оценки**, но не проверка межсегментной когерентности, сущностей, фактов или
 голоса; основная validation — WMT24 en→de/en→es/ja→zh с synthetic 10% deletions/merges и
 segment-level MQM, где annotators не просили учитывать discourse. Источник уже есть в `research/19`.
 [S-VoCAL (Berthe-Pardo et al., LREC 2026)](https://aclanthology.org/2026.lrec-1.860/) действительно
 имеет 952 character–book pairs из 192 English books и восемь voice-related attributes, но измеряет вывод age/gender/origin
 для выбора **акустического** голоса аудиокниги, а не устойчивость речевого стиля персонажа в
 переводе. Это book-wide static character-attribute inference benchmark, не voice/style/temporal
 stability metric; концептуально он повторяет audiobook-passport donor из `research/15`. Поэтому оба
 источника очерчивают инфраструктуру, но не закрывают искомый конструкт.
 Отдельной family-wise multiplicity correction для перечисленных model/metric grids в просмотренных
 Results не заявлено; там, где даны correlations/accuracy, они не превращались здесь в более широкий
 клейм, чем конкретный corpus/task.
 **Ответ на вопрос о reference-free.** Узкий прибор у нас уже есть: D50 считает соблюдение
 подписанного term/name bank без полного эталона, но известный fullname-alias drift прошёл сквозь
 него. После повторного поиска без ru-фильтра найден **набор частичных, пока не скомпонованных
 диагностик**, а не готовый стек: D50/CoTERM проверяют заданный term canon; L-Anno — lexical sameness
 на заранее размеченных обязательных pairs; TRANSGRAPH — две English-source discourse relations;
 CONSTORY-CHECKER — target self-consistency; BWB — отдельные gold-аудиты на zh→en chapters. Эти
 приборы имеют разные inputs, направления, домены и units и совместно на одной zh→en книге не
 валидировались. LTCR и Semenov–Bojar без канона доказывают только **самосогласованность**.
 Следовательно, на 31.08.2026 нет одной валидированной метрики «канон держится на сотнях глав» и
 нельзя заявить, что перечисленные компоненты уже доказательно складываются. Есть эмпирические
 части для отдельной проверки терминов, обязательного единообразия, некоторых source relations и
 внутренних narrative contradictions. Самые слабые места — стабильно неверный относительно source
 факт, межглавная identity/alias resolution и сохранение именно **речевого голоса персонажа при
 переводе**: CONSTORY-CHECKER имеет narrative/style F1 `.507` только на injected internal shifts, а
 не на сходстве с голосом китайского оригинала.
 #### Контрольная сводка четырёх клеймов из запроса
 | Клейм | Вердикт после исполнения | Насколько широко можно говорить |
 |---|---|---|
 | Бесплатные detectors по diversity/diminutives | **Частично.** ATD classifiers и structural translationese-панели валидированы; MTLD/diminutive signals проверены на одной en→uk книге. | Язык не обнуляет класс сигналов, но языково-зависимые features надо переопределять. Нет held-out detector для длинного современного LLM-литперевода; отдельный scalar не годится как machine label. |
 | Source visibility переворачивает systems ranking | **Да, по Table 3–4 F6a:** один и тот же GPT-5.2 judge, те же pairs; все AI systems падают ровно на 5 ranks без source. | Одна en→uk книга, sentence pairs, self-judge, без significance test; не универсальный закон. |
 | LLM чаще человека объявляет ошибкой human translation | **Да, F6b:** GLM `z=2.07, p=.038` для HT; одновременно judge реже ставит ошибки MT (`z=6.16, p<.001`). | Один GPT-5.2 judge, 6 текстов по 97–182 слова, en→nl/en→ca/ru→nl; без →ru и без книги. |
 | Плохо отобранный context хуже пустого | **Да для injected distractors**, Loong §4.4/Figure 4; **нет** для наивного сравнения `w/o Tuning` vs `w/o Context` из-за confound. | Automatic metrics на News/WMT; точных figure-values/significance нет. Локально это уже прямой дубль `research/13,14`, поэтому не новая находка. |
 ## 3. Противоречия нашим выводам
 ### C1. Прямая внутренняя коллизия: цена diff в промте устарела относительно review-header
 [`Жёсткий контур задания`](../../eval/dovodka/PROMPT-RESEARCH-HARNESS.md) пересказывает локальный
 diff как «1.5–2 раза дороже». Первичный артефакт
 [`experiments/19-editor-contract-q4b.md`](../experiments/19-editor-contract-q4b.md) в принятой
 review-header даёт три реплики отношения diff/full: **2.913, 1.677, 2.468**, а позднейшая поправка
 сужает взаимодействие до model×target: dspro **ru 2.83, en 0.67**. Команда проверки:
 ```bash
 rg -n '2\.913|1\.677|2\.468|ru 2\.83|en 0\.67|1\.5–2' \
  eval/dovodka/PROMPT-RESEARCH-HARNESS.md docs/experiments/19-editor-contract-q4b.md
 ```
 Это не меняет локальный вердикт для боевой ru-клетки («full-regen остаётся»), но опровергает
 упрощённую универсальную магнитуду и особенно важно рядом с F4: его «edit contract» нельзя считать
 внешней репликацией нашего формата.
 ### C2. Внешний counter-signal к «feedback/point repair отклонены», но не опровержение
 [`experiments/21-role-topology`](../experiments/21-role-topology.md) отклонил точечный ремонт,
 обратную связку и routing на нашей прозе/нашем риге. Более близкий аналог — critic→full rewrite
 `Z1` в [`experiments/23-editor-tier`](../experiments/23-editor-tier.md): ставка semantic
 critic→fixer не подтверждена и схема оказалась самой дорогой среди проверенных, но exp23 ещё идёт,
 а rank-order позиционно confounded. Внешний [F4-paper](https://aclanthology.org/2026.acl-industry.115.pdf)
 получил рост two-stage evaluator→repair в 4/7 en→de и 6/7 en→zh COMET-сравнениях и регрессию
 второго раунда в 6/7 en→de клеток (Tables 5, 4). Условия не изоморфны: F4 — e-commerce segments,
 RAG из 135–184k TM, full-hypothesis output, automatic metrics, без significance. Поэтому закрытый
 вывод exp21 не снят, а exp23 не ратифицирован; внешний результат лишь показывает, что направление
 первого repair-step не является универсальным MT-законом.
 ### C3. «Архитектура улучшает качество» расщепляется по измеряемой оси
 Закрытый [`exp21`](../experiments/21-role-topology.md) показывает преимущество
 draft→whole-chapter rewriter по локальному прибору; exp23 здесь не используется как ратифицированная
 улика. [F1](http://www.jbe-platform.com/deliver/fulltext/10.1075/target.25081.wan/target.25081.wan.pdf)
 на той же модели показывает эффект другой
 topology лишь по fluency (`r=.71` LCD–human), ноль по accuracy (`r=.02`) и одновременно
 систематические additions. [F2](https://aclanthology.org/2026.acl-long.268.pdf) также находит
 основной выигрыш refinement во fluency/style, а accuracy — слабой/неоднородной. Это не опровергает
 локальную дельту, но противоречит её широкой трактовке как единого scalar «качества»: topology
 может улучшать fluency без доказанного улучшения accuracy; fidelity-эффект неоднороден, а voice в
 F1/F2 не измерен.
 ## 4. ЧЕГО НАЙТИ НЕ УДАЛОСЬ и ЧТО НЕ ПРОВЕРЕНО
 1. **Нет matched-замера «список исполнимых правок vs полный переписанный текст» на литературе.**
   F4 оказался ложным кандидатом: structured list выдаёт evaluator, но editor возвращает full
   hypothesis. F2 тоже делает rewrite сегмента. Внешнего подтверждения/опровержения нашему
   Q4b-формату не найдено.
 2. **Нет human book-length сравнения topology.** F1 переводит главы, но судит 30 коротких отрывков;
   F2 генерирует документы примерно по 2 048 слов, но human annotators судят contiguous chunks;
   F3 имеет 12 глав классики, но только automatic curves; F6a покрывает корпус одной книги, но
   сравнивает отдельные sentence pairs, не читает книгу/голос/когезию. Перенос «отрывок/глава →
   1 500–2 300 глав» не проверен.
 3. **Нет измеренной памяти через сотни глав.** Ни retention имён/обращений/голоса на поздних главах,
   ни окупаемости whole-book pre-pass/series bible с человеческим судьёй не найдено. Loong —
   ближайший прототип, но его literary human-eval и опубликованный код отсутствуют.
 4. **Thinking: quality и cost одновременно не закрыты.** F5 измеряет quality кратких literary UCP,
   но не reasoning tokens/деньги; Loong признаёт overhead без чисел. Локальный DRT даёт token
   multiplier, однако новой литературной price–quality frontier после нашего среза не найдено.
 5. **Pair-specific →ru calibration не найдена, но это не блокирует архитектурный вывод.** F2
   включает en→ru, однако human Table 4 агрегирует семь направлений; F6b имеет ru→nl, не →ru.
   Для проверки самих constructs данные zh→en/en→uk/en→ja засчитываются; отдельная пара нужна лишь
   для калибровки языково-зависимых extractors, morphology и thresholds.
 6. **Не найдены debates/jury топологии с книжным human-замером.** Selection/synthesis/debate уже
   покрыты локально; свежего более сильного literary evidence дельта-фильтр не дал.
 7. **Market/OSS-поиск не дал хронологической или измерительной дельты.** Три пропуска
   `research/22` оказались старше его среза 24.07, а их механизмы повторяют уже известные слои:
   Balint Taborski, 07.06.2026, [BookTranslate Copilot](https://www.booktranslate.ai/blog/towards-agentic-mtpe-translation-copilot)
   заявляет Finalizer→Naturalizer→ThreadWeaver→reviewable edits; неподписанная
   [BookFoundry company page](https://bookfoundry.ai/ai-book-translation/) с live-total stamp
   17.07.2026 — book brief→chunk translation→native-voice rewrite; GitHub
   [`OYcedar/novel-translator`](https://github.com/OYcedar/novel-translator) — stable IDs,
   glossary, summary, resumability и guards (`main.py`, `prompts/novel_translation_system.md`,
   `skills/novel-translator/SKILL.md`). Ни один не публикует comparative literary quality corpus,
   пары, human judge и статистику. Поэтому отсутствие имён в `research/22` — omission старого
   среза, не основание выдавать их за новую находку.
 8. **Multiplicity часто отсутствует.** Она есть у F1 pairwise fluency/accuracy (Bonferroni) и у
   F6b modality post-hoc (Holm–Bonferroni); не заявлена у F2 Table 4/трёх Table 5 tests, F3, F4,
   F5 model×prompt grid и F6a rank reversal. Значимость там не достраивалась мной из процентов.
 9. **Цена вызовов F1/F2/F3 не опубликована.** Поэтому число стадий не превращалось в выдуманный
   COGS: F1 не даёт calls/tokens; F2 — токены/cost; F3 — overhead/call count в агрегате.
 10. **Платных закрытых источников, несущих уникальную таблицу, в итог не включено.** HTML `print`
    F1 отдавал 403 при финальной перепроверке; официальный publisher PDF открылся после redirect
    с HTTP 200. Остальным несущим источникам доступны официальные PDF/HTML.
 11. **Два claims первоисточников остались неподтверждёнными телом.** [Loong](https://arxiv.org/html/2605.30274)
    пишет «code is released», но linked [repo](https://github.com/YutongWang1216/LoongDocMT) на
    31.08 содержит только README. [F4](https://aclanthology.org/2026.acl-industry.115.pdf) abstract
    заявляет agreement с human MQM/preferences, но в Methods/Results нет human-study/table. Это
    source self-contradictions, не противоречия локальному выводу; claims выше не считаются measured.
 12. **Не найден long-form literary machine-detector ни на одной подходящей паре.** RuATD
    валидирует short-form ATD, RANLP-2021 — human translationese, а en→uk book study даёт сигналы,
    но не classifier. Пробел — held-out accuracy, threshold и false-positive rate на длинных
    переводах современных LLM, а не конкретно русский язык.
 13. **Не найден единый reference-free canon score; найдены нескомпонованные частичные приборы.**
    D50/CoTERM закрывают term-only canon, L-Anno — обязательность единообразия на gold subset,
    TRANSGRAPH — две English-source relations, CONSTORY-CHECKER — внутренние contradictions, BWB —
    дорогую gold-разметку четырёх discourse-осей. Не валидированы их совместное применение на одной
    zh→en книге, межглавная identity/alias resolution и работа на сотнях глав.
 14. **Не найден валидированный MT character-voice preservation score.** CONSTORY-CHECKER уже
    распознаёт внутренние POV/tone/style shifts на English fiction (narrative/style F1 `.507`), а
    style/authorship embeddings различают персонажей. Но ни один прибор не проверен как
    source-character voice → translated-character voice; MetaDocEval также показывает размывание
    общих document metrics на коротких окнах.
 Отдельно исключён как дубль Wu, Aycock, Monz,
 [*Please Translate Again*](https://arxiv.org/html/2506.04521): `research/15:158,272` уже содержит
 его главную дельту (decomposition не помогает, первый простой refinement даёт основной выигрыш).
 Повтор не стал находкой.
 ## 5. ЧТО Я НАПУТАЛ
 Ниже журнал не косметических правок, а ошибок, которые могли изменить вывод.
 | Ошибка до самопроверки | Класс | Как поймана | Что стало в отчёте |
 |---|---|---|---|
 | Сначала счёл `Please Translate Again` новой осью reasoning. | дубль | `rg -n -i '2506\.04521\|translate again' docs/research` нашёл `research/15:158,272`. | Источник вынесен в §4 как осознанно исключённый дубль. |
 | Сначала счёл refinement-paper новой topology. | дубль/overclaim | Первичный grep смотрел `docs/research` и только `docs/experiments/README.md`. Полный `rg -l ... docs/research docs/experiments` нашёл **8 старых файлов**: `research/{03,11,14,17,18}` и `experiments/{09,12,23}`; эта запись была девятым местом. | F2 понижен до библиографической верификации/закрытия TODO; все delta-команды переведены на полный корпус и исключают оба параллельных 29-файла. |
 | Записал Loong как однозначно 10-sentence segmentation. | внутреннее противоречие source | §4.1 задаёт `l=5`, Limitations — 10. | Число снято из описания topology; обе несовместимые величины и их секции названы явно. |
 | Принял `w/o Tuning=75.4 < w/o Context=77.4` за доказательство «плохой context хуже пустого». | confounded arms | §4.3 меняет training/context policy одновременно; §4.4 отдельно инъецирует 30–50 чужих предложений и имеет baseline length 0. | Клейм опирается только на Figure 4; Table 3 прямо исключена как чистая проверка. Сам клейм отмечен дублем `research/13,14`. |
 | Был готов назвать все translationese-признаки machine-detectors. | construct mismatch | RANLP-2021 обучен отличать **человеческие переводы** от оригинальной русской прозы; RuATD — другой target. | F7 разделяет ATD, translationese и stylistic compression; порогового long-form literary LLM detector не заявляет. |
 | Использовал отсутствие русского как слишком сильный отрицательный фильтр. | неверная граница переноса | В контуре проекта zh→en — приоритетная пара; LTCR проверен на zh↔en, а BlonDe — прямо на zh→en webnovels. Для entity/term-consistency язык меняет инструменты извлечения, но не сам измеряемый конструкт. | F7/F8 и §4 переписаны: zh→en evidence засчитывается полностью; caveat оставлен только для morphology/NER/alignment/thresholds и действительно отсутствующей long-range validation. |
 | Сначала исправил только формулировки, не перезапустив discovery без языкового фильтра. | неполная коррекция search scope | После прямого вопроса владельца выполнен новый primary-source поиск и полный дедуп по обоим деревьям. Он нашёл отсутствующие локально zh→en L-Anno, TRANSGRAPH cohesion probe и CONSTORY-CHECKER; BWB был локально известен, но не распознан мной как gold audit resource. | F8 переисследован: добавлены точные inputs, samples, human validation и границы; итог расширен от одних term monitors до нескольких частичных диагностик. |
 | После пере-поиска преждевременно назвал несовместимые диагностики «составным измерительным стеком». | композиционный overclaim | Оба повторных reviewer-а независимо указали: L-Anno — reverse-origin news/gold subset; TRANSGRAPH — English-source technical probe; CONSTORY — target-only injected contradictions; BWB — reference benchmark и локальный дубль. Совместной zh→en book validation нет. | «Готовый стек» снят. F8 теперь говорит о нескомпонованных частичных приборах; уточнены direction/reference/validation, конфликт BWB `14 655` vs `15 095` и segment-only book experiment SEGALE. |
 | Почти назвал LTCR/стилевые embeddings единым canon score. | consistency≠correctness / proxy≠validation | Формула LTCR даёт 100% стабильно неверной форме; mStyleDistance AV не валидирован на переводе; MetaDocEval показывает collapse с длиной. | F8 разделён на internal consistency, term-only correctness и unvalidated character-voice proxy; итог — единого прибора нет. |
 | В первом ответе на вопрос о каноне сказал только «внешнего единого прибора нет» и пропустил наш D50. | тот же дефект неполного experiments-grep | Полный поиск `canon_gaps|effective consistency` поднял `experiments/23` §Д32.4/Д50: 375–548 пар и известный невидимый fullname drift. | D50 поставлен первой строкой F8: узкий reference-free monitor уже есть, но его собственный false negative запрещает называть его proof. |
 | Сначала слишком грубо описал CoTERM как обязательно требующий полного перевода-эталона и перенёс `79` dev chapters BlonDe в test. | неточная граница reference-free / ошибка split | Повторный `evidence_audit`: CoTERM+ использует source terms и набор допустимых целевых терминов без полного sentence reference; Table 1 BlonDe печатает **80 test / 79 dev** chapters. | В F8 разведены CoTERM+, CoTERM− и полный framework; split и human-correlation BlonDe исправлены по таблице. |
 | Сжал результат F7-grep до `research/12-*` и не перечислил `research/28`. | неточная запись дедупа | Финальный буквальный повтор той же команды дал 13 файлов: 11 research и 2 experiments; из семейства 12 — только consumer/taxonomies/ja/zh. | Реестр F7 заменён точным списком вывода, команда переключена с `-n` на согласованный с результатом `-l`. |
 | По названию «edit contract» почти приравнял F4 к нашему diff. | construct mismatch | Полный PDF §3.4: editor outputs `new hypothesis` и `edit log`. | В F4 и §4 явно записано: это full output, matched diff-vs-full замера нет. |
 | Перенёс из задания «diff 1.5–2× дороже». | stale summary / позднее противоречие | Review-header `experiments/19` первична: 2.913/1.677/2.468; позднее ru 2.83/en 0.67. | Исправлено и вынесено отдельным C1. |
 | Был готов повторить F4 abstract про human MQM agreement/preferences. | abstract вместо таблицы | `find`/поиск `human` по 16-страничному PDF не нашёл human-study в Methods/Results. | Claim помечен неподтверждённым и не используется как measured evidence. |
 | Принял фразу Loong «code is released» за наличие реализации. | claim/code mismatch | Открыто дерево linked GitHub: только README, implementation отсутствует. | F3 разделяет paper algorithm и фактически отсутствующий public code. |
 | Счёл `Creativity Bias` целиком новой. | частичный дубль | grep нашёл ссылку и общий вывод в `research/18:326`. | F6b оставлен только ради отсутствующих локально точных modality/genre/human таблиц. |
 | Почти выдал 12 глав *Journey to the West* за книжную проверку качества. | перенос/слабый judge | Table/Figure и Limitations Loong: известная классика, automatic metrics, без human eval. | В F3 это только preliminary stability evidence; в §4 book-length human gap остаётся открытым. |
 | Title-only grep ошибочно объявил F1 полностью новой. | ложная дельта/дубль | Adversarial `delta_transfer_audit` нашёл DOI и «stylistic lift with occasional additions» в `research/17:243,287`. | F1 сужен до восстановленного full text, exact design/sample/effects; grep расширен DOI/авторами. |
 | Назвал F2 human-оценку документной. | перенос единицы оценки | `delta_transfer_audit` проверил Appendix A.5: outputs document-level, annotators видели contiguous chunks. | В F2 и §4 разделены document generation и chunk-level human judgment. |
 | Назвал F6a контролем «на целой книге». | перенос corpus→unit | `delta_transfer_audit` проверил Methods §4: corpus покрывает книгу, pairwise unit — два предложения. | F6a понижен до sentence-pair construct-control; voice/cohesion не приписываются. |
 | Слил статус exp21–23 и выдал exp23 price/rank за готовый. | поздняя review-header | Adversarial-аудит поднял `experiments/README`: exp23 **ИДЁТ**, `--final` красный; D48.5 нашёл position confound. | §1 разделяет exp21/22/23; C2/C3 не используют exp23 как ратифицированный результат. |
 | Сравнил F4 только с exp21 point repair. | неверный ближайший аналог | `delta_transfer_audit` нашёл более близкий exp23 `Z1` critic→full rewrite. | C2 сравнивает обе формы и явно помечает exp23 provisional. |
 | Выдал три рыночных пропуска `research/22` за новинки после его среза. | хронологическая ложная дельта | Adversarial-аудит сопоставил даты BookTranslate/BookFoundry/OYcedar со срезом 24.07. | F7 удалён из находок; источники оставлены в §4 как старые omissions без quality baseline. |
 | Приписал F1/F2 возможное ухудшение voice. | construct overclaim | Оба агента указали: voice не мерили; F1 accuracy равна, additions качественные. | C3 теперь говорит только о fluency без доказанного accuracy-gain; fidelity неоднородна, voice unmeasured. |
 | В F5 смешал Task 1 comprehension с Task 2 translation. | task/judge conflation | `evidence_audit` развёл §3.1/§5.1 и Table 1/13. | Добавлены `n=299`, отдельные judges/пары и прямые thinking-сравнения Task 2 из Table 13. |
 | Ссылка F1 `print` оказалась нестабильной (403). | URL verification | `evidence_audit` повторил запрос; затем `curl -s -I -L` publisher PDF дал redirect→200. | Все F1-ссылки заменены открывшимся publisher PDF; 403 записан в §4. |
 | Delta-grep после создания файла находил сам отчёт. | невоспроизводимый артефакт | Повторный запуск вернул строки `29-…-codex.md` вместо ожидаемого Ø. | Во все команды добавлен `--glob '!29-harness-topology-survey-codex.md'`, результаты пересняты. |
 ### Исполнимая финальная сверка
 Ссылки в F1–F8 и §4 были открыты по одной; числа сверены не с abstract, а с названными
 Tables/Results/Methods. Механические проверки артефакта перед сдачей:
 ```bash
 # ровно пять требуемых разделов верхнего уровня
 rg -n '^## [1-5]\.' docs/research/29-harness-topology-survey-codex.md
 # запрет placeholder и прескриптивного языка до самого технического блока; ожидается Ø
 awk '/^### Исполнимая финальная сверка/{exit}{print}' \
  docs/research/29-harness-topology-survey-codex.md | \
  rg -n -i 'Заполняется|TBD|PLACEHOLDER|рекомендую внедрить|надо внедрить|нужно внедрить|следует внедрить|стоит внедрить|лучший выбор|robust.?рецепт'
 # все внешние URL до этого технического блока (список для повторного открытия)
 awk '/^### Исполнимая финальная сверка/{exit}{print}' \
  docs/research/29-harness-topology-survey-codex.md | rg -o 'https?://[^ )]+' | sort -u
 ```
 ### Артефакт открытия ссылок
 Проверено 31.08.2026; `200` означает, что открылось тело, а не только search result.
 | URL | Фактический результат |
 |---|---|
 | [publisher PDF F1](http://www.jbe-platform.com/deliver/fulltext/10.1075/target.25081.wan/target.25081.wan.pdf) | `curl -s -I -L`: 301→200, `content-type: application/pdf`; прежний HTML `print` — 403. |
 | [F2 ACL PDF](https://aclanthology.org/2026.acl-long.268.pdf) | 200; открыты §3, Tables 1, 3–7, Appendix A.5. |
 | [F3 arXiv HTML](https://arxiv.org/html/2605.30274) | 200; открыты Algorithm 1, Tables 1–4/A.4. |
 | [F3 GitHub](https://github.com/YutongWang1216/LoongDocMT) | 200; public tree содержал только README. |
 | [F4 ACL PDF](https://aclanthology.org/2026.acl-industry.115.pdf) | 200; открыты §3.4, Tables 1–5, 8, 10. |
 | [F5 ACL PDF](https://aclanthology.org/2026.findings-acl.2030.pdf) | 200; открыты §§3–5, Tables 1, 13. |
 | [F5 GitHub](https://github.com/NL2G/Beyond-Reproduction) | 200; открыты root и `task2_ucp/` paths. |
 | [F6a ACL PDF](https://aclanthology.org/2026.unlp-1.8.pdf) | 200; открыты Methods §4, Tables 2–4. |
 | [F6b ACL PDF](https://aclanthology.org/2026.eamt-1.43.pdf) | 200; открыты Tables 4–5, 11–12. |
 | [F6b GitHub](https://github.com/INCREC/Creativity_bias) | 200; открыты каталоги protocols/data/statistics. |
 | [RuATD 2022](https://arxiv.org/html/2206.01583) | 200; открыты Tables 2–5 и §§4.4–5. |
 | [Russian fiction translationese](https://aclanthology.org/2021.ranlp-1.84/) | 200; открыты Results и Appendix Table 2. |
 | [LTCR](https://aclanthology.org/2021.emnlp-main.262/) | 200; открыты формула (1), Tables 1, 4, 7, 9. |
 | [Semenov–Bojar](https://aclanthology.org/2022.wmt-1.41/) | 200; открыты algorithm, Tables 1–3, Limitations. |
 | [CoTERM](https://aclanthology.org/2026.lrec-1.682/) | 200; открыты §§3, 4, 6–9, Tables 2, 5–6. |
 | [BlonDe](https://aclanthology.org/2022.naacl-main.111/) | 200; открыты BWB/Table 1, formula, human study. |
 | [L-Anno zh→en](https://aclanthology.org/2024.lrec-main.583.pdf) | 200; открыты §§2–3, Tables 1–6, Appendix A. |
 | [BWB discourse protocol](https://aclanthology.org/2023.acl-long.435.pdf) | 200; открыты §§2–5, Tables 1–7, Appendix E; зафиксирован конфликт abstract `15 095` vs §3 `8 585+6 070=14 655`. |
 | [TRANSGRAPH cohesion judge](https://aclanthology.org/anthology-files/pdf/eacl/2026.eacl-long.75.pdf) | 200; открыты §§3.1–3.3.5, Tables 2, 7, 9. |
 | [CONSTORY-CHECKER](https://aclanthology.org/2026.findings-acl.410.pdf) | 200; открыты §§2–3, Tables 1–7, Limitations и prompts. |
 | [SEGALE](https://aclanthology.org/2025.emnlp-main.1645.pdf) | 200; открыты §§3, 5–6, Tables 1–3, Figure 3 и Limitations. |
 | [S-VoCAL](https://aclanthology.org/2026.lrec-1.860/) | 200; проверены task, 8 attributes, 952 character–book pairs и scope аудиокниг. |
 | [MetaDocEval](https://aclanthology.org/2026.eamt-1.19/) | 200; открыты §§3, 5–7, Table 1/Figures. |
 | [mStyleDistance](https://aclanthology.org/2025.findings-acl.869/) | 200; открыты language list, Tables 1–2, ru dataset appendix. |
 | [Distinguishing Fictional Voices](https://aclanthology.org/2024.latechclfl-1.15/) | 200; открыты §3 and Table 2. |
 | [BookTranslate](https://www.booktranslate.ai/blog/towards-agentic-mtpe-translation-copilot) | 200; author/date/topology проверены в body. |
 | [BookFoundry](https://bookfoundry.ai/ai-book-translation/) | 200; неподписанная company page, stamp и topology проверены в body. |
 | [OYcedar](https://github.com/OYcedar/novel-translator) | 200; root paths/README открыты. |
 | [Please Translate Again](https://arxiv.org/html/2506.04521) | 200; удалён из находок как локальный дубль. |
 ### Артефакт adversarial-review
 Одновременно работали **два** read-only reviewer-а, кроме основной сессии; модель обоим задана
 явно: `gpt-5.6-sol`, reasoning `high`. `evidence_audit` проверял claimed/measured, tables, judges,
 URLs и обязательную форму; `delta_transfer_audit` — дубли, short→book, поздние review-header и
 переносимость. Оба запретили себе правки файлов и вернули нумерованные вердикты.
 **Принято и исправлено:** скрытый дубль F1 в `research/17`; ACL-final F2 уже там же; chunk-level
 human unit F2; sentence-pair unit F6a; смешение двух задач F5; нестабильная ссылка F1; неполные
 judge/pair metadata F2–F4; source-vs-itself C4 перенесён из §3; обе ссылки добавлены C1–C3;
 provisional/position-confounded статус exp23; ближайший локальный аналог F4; ложная рыночная
 хронология F7; voice-overclaim C3; self-matching delta-grep и неисполняемая вторая F6-команда.
 Каждая содержательная ошибка имеет отдельную строку в таблице выше.
 **Принято частично:** reviewer предлагал удалить либо полностью демотировать F2 как дубль.
 Архитектурный клейм демотирован, но запись сохранена, потому что она закрывает явный локальный TODO
 о составе пар и добавляет exact human tables/границу chunk-level judging. Иных содержательных
 замечаний не отклонено. Оба reviewer-а отдельно подтвердили пять разделов в нужном порядке,
 transfer caveats, отсутствие рекомендации внедрения и корректность `n=102` F2/`6 из 7` F4.
 Для отдельного вопроса №8 обоим reviewer-ам был независимо отправлен второй, одинаково
 сформулированный запрос именно про **измеритель** канона, а не про память. `delta_transfer_audit`
 повторил полный локальный поиск одновременно по `docs/research/*.md` и `docs/experiments/*.md` и
 нашёл пропущенный D50 вместе с его false negative `古月方源 → «Гу Юэ Фан Юань»` вместо `Гуюэ`.
 `evidence_audit` независимо пересчитал формулы, выборки и human-validation LTCR, CoTERM, BlonDe,
 MetaDocEval, mStyleDistance и Fictional Voices. Приняты его поправки о term-only reference
 CoTERM+, умеренных, а не универсально сильных корреляциях CoTERM, split **80 test / 79 dev**
 BlonDe и крайне узкой ручной проверке perturbations MetaDocEval. Совместный отрицательный итог
 обоих аудитов сохранён в F8: есть несколько частичных приборов, включая наш reference-free D50,
 но ни один не валидирован как единая мера сохранения сущностей, терминов, фактов и голоса на
 сотнях глав без полного эталонного перевода. Reviewer-ы файлов не изменяли.
 После замечания владельца о допустимости zh→en выполнен новый discovery-pass без языкового
 фильтра, а затем **оба** reviewer-а получили третий независимый запрос уже по новым источникам.
 Они подтвердили числа L-Anno, TRANSGRAPH, CONSTORY-CHECKER, SEGALE и S-VoCAL, но независимо сняли
 мою формулировку «составной измерительный стек». Приняты все их существенные поправки:
 reverse-origin/reference-dependent construction L-Anno; только en→XX technical validation
 TRANSGRAPH; target-only/injected-error nature CONSTORY; BWB как полный локальный дубль и gold
 resource, а не canon scalar; SEGALE как segment wrapper, не межглавный book meter; S-VoCAL как
 static TTS-attribute extraction. Дополнительно `evidence_audit` нашёл внутренний конфликт BWB:
 abstract сообщает `15 095` mentions, тогда как §3 печатает `8 585+6 070=14 655`; в F8 оставлено
 разложенное число и записано противоречие. Reviewer-ы файлов не изменяли.
--- a/docs/research/29-harness-topology-survey.md
+++ b/docs/research/29-harness-topology-survey.md
--- a/eval/dovodka/blind-read/RESULT-2-BLIND-READ.md
+++ b/eval/dovodka/blind-read/RESULT-2-BLIND-READ.md
@ -0,0 +1,107 @@
 # Результат 2: слепое чтение на исправленном материале с активными нулями
 **Исполнено 02.09 по `PREREG-2-BLIND-READ.md`.** 120 судей Opus, 40 материалов × 3 линзы,
 0 ошибок агентов. Материал: черновик склеен по манифесту движка, покрытие 99–100%.
 Куплена реплика `low₂` — $0.659678 (ожидалось $0.656). Всего по фазе $6.17 из $9.50.
 ## 1. ГЛАВНОЕ: прибор назначает победителя там, где его нет
 10 пар `low₁` против `low₂` — два прогона ОДНОЙ руки, отличающиеся только случайностью
 генерации. Правильный ответ по построению — ничья.
 | Линза | low₁ | low₂ | ничьих | определилось |
 |---|---|---|---|---|
 | точность (первичная) | 6 | 4 | **0** | **10/10** |
 | художественность (первичная) | 8 | 2 | **0** | **10/10** |
 | естественность | 7 | 2 | 1 | 9/10 |
 **Судьи объявили победителя в 29 случаях из 30 на чистом шуме.** Доля ничьих на нулях
 неотличима от доли на боевых парах (точный тест Фишера: p = 0.165 / 0.560 / 1.000) — то есть
 прибор реагирует на шум РОВНО ТАК ЖЕ, как на разные режимы.
 Хуже: **шумовой перекос БОЛЬШЕ боевого.** По художественности шум одной руки даёт 8:2 (80%),
 а разные руки — 19:8 (70%). По точности 60% против 55%.
 ⚠ Блокирующий порог §5 строки 0 (p < 0.05 на нулях) НЕ сработал: 0.754 и 0.109. Но он и не мог —
 при n=10 его берут только расклады 9:1 и 10:0 (посчитано в дополнении §6.1 до чтения чисел).
 **Непрохождение блокирующего порога исправность прибора не доказывает**, а диагностический
 критерий того же дополнения сработал по обеим первичным линзам.
 ## 2. Первичные исходы — различие не предъявлено
 Тест: точная перестановка метки руки на уровне юнита (2¹⁵ масок), поправка Холма на два первичных.
 | | low | off | ничьих | p | Холм |
 |---|---|---|---|---|---|
 | **P1 точность** (блокирующий) | 12 | 10 | 8 | 0.842 | **0.842** |
 | **P2 художественность** | 19 | 8 | 3 | 0.070 | **0.141** |
 Вторичное (поправку не проходило): естественность 16 : 11 : 3, p = 0.414.
 Описательно, консенсус 2 из 3: low 17, off 8, ничьих 5.
 **Исход по правилу §5 — строка 4: РАЗЛИЧИЕ НЕ ПРЕДЪЯВЛЕНО.** Ни одна рука не показала
 превосходства. Строка 3 («low лучше») не объявляется: Холм-p = 0.141.
 ## 3. Что стало с результатом первой редакции
 Первая редакция дала консенсус 18 : 6 : 6 и подавалась как «дешёвая рука чаще лучше».
 Здесь на исправленном материале консенсус 17 : 8 : 5 — **похожая картина**, но теперь известна
 её цена: **два прогона одной руки дают перекос того же размера и даже больше**.
 ⇒ **Наблюдавшийся перевес неотличим от случайности розыгрыша.** Вчерашняя находка была
 артефактом отсутствующего контроля, и первая редакция не могла этого увидеть, потому что
 активного нуля в ней не было.
 ## 4. Почему так вышло — измеренная причина
 Текстовый разброс ВНУТРИ режима больше межрежимного:
 ```
 совпадение low₁ / low₂  (один режим, два запуска)  медиана 0.799
 совпадение low₁ / off   (разные режимы)            медиана 0.820
 ```
 Одна и та же настройка, запущенная дважды, расходится с собой сильнее, чем с конкурентом.
 При такой структуре шума парное сравнение одного куска не может отделить режим от розыгрыша:
 судья честно видит разницу — но это разница между двумя случайными реализациями, а не между
 настройками.
 ⭐ Независимое подтверждение с другой стороны (сессия пробы, на этой же реплике): по деньгам и
 объёму размышления эффект режима воспроизводится (×0.230 → ×0.307, знак и значимость держатся),
 а шум внутри руки ниже разрешения (p = 0.225). **Расходится именно ТЕКСТ, а не расход.** То есть
 режим устойчиво меняет цену и не устойчиво — формулировки.
 ## 5. Что теперь честно утверждать
 **Можно:**
 - «На 15 юнитах различие в качестве между режимами НЕ ПРЕДЪЯВЛЕНО ни по точности (p = 0.84),
  ни по художественности (Холм-p = 0.14).»
 - «Разница между режимами по тексту, если она есть, не превышает разброса между двумя запусками
  ОДНОГО режима — измерено: 0.820 против 0.799.»
 - «Судьи-модели на изолированном куске не отличают шум генерации от смены режима: на чистом шуме
  они назвали победителя в 29 случаях из 30.»
 - «Экономический эффект режима при этом устойчив и воспроизводится на реплике.»
 **Нельзя:**
 - «Дешёвый режим лучше» — опровергнуто настоящим контролем.
 - «Дешёвый режим не хуже» — отсутствие доказательства не есть доказательство отсутствия;
  мощность n=30 различает ~25 п.п.
 - «Прибор годен, нули чисты» — блокирующий порог не сработал по слабости, а не по чистоте.
 - Переносить на книгу: 0.63% книги, холодный банк, 13 из 15 юнитов — начала глав, и к дрейфу
  терминов между главами этот прибор слеп по построению.
 ## 6. Что это значит для решения о деньгах
 Вопрос «платить ли втрое за высокое усилие редактора» ($2.00 против $0.67 на p7) этим замером
 **не закрывается в пользу качества**: превосходства дорогого режима не видно, но и равенство не
 доказано. Решение остаётся за владельцем, и оно теперь опирается на честную рамку, а не на
 артефакт.
 **Чего стоил бы ответ.** Чтобы отделить режим от розыгрыша при измеренном шуме, нужно сравнивать
 СРЕДНИЕ по нескольким репликам каждой руки, а не одиночные тексты: порядка 3–5 реплик на руку и
 не меньше 40–60 юнитов. Это кратно дороже нынешнего и, по совокупности §5, вероятно измеряет не
 то, что решает судьбу продукта.
 **Более дешёвый и более полезный поворот:** мерить то, что этот прибор увидеть не может и что
 прямо задевает цель владельца, — **дрейф терминов и голосов на длине книги**. Он живёт между
 главами, детерминирован, ловится без судей-моделей и не тонет в шуме розыгрыша.
--- a/eval/dovodka/blind-read/verdicts-120.json
+++ b/eval/dovodka/blind-read/verdicts-120.json
--- a/eval/dovodka/dreif.py
+++ b/eval/dovodka/dreif.py
@ -0,0 +1,248 @@
 #!/usr/bin/env python3
 # -*- coding: utf-8 -*-
 """dreif.py — ДЕТЕРМИНИРОВАННЫЙ прибор дрейфа передач термина. Платных вызовов НЕ делает.
 Заведён 02.09 по решению владельца (п.3 развилки фазы Д): «пишешь код на питоне, оркестратору
 пинг про завести этот прибор». Настоящий прибор должен жить в движке (`tmctl recheck`) — этот
 питон-двойник его НЕ заменяет, см. §«ЧЕГО ПРИБОР НЕ ДЕЛАЕТ».
 ЧТО МЕРИТ. Для каждого ключа банка: сколько РАЗНЫХ русских передач встречается в переводе и
 меняется ли доминирующая передача от главы к главе. Это цель владельца №1 («консистентные
 термины на всю книгу»), и она измерима без судей и без денег.
 ⭐ ГЛАВНЫЙ УРОК ФАЗЫ, ВШИТЫЙ В ПРИБОР: **шум-пол считается ПЕРВЫМ и печатается рядом с каждым
 числом.** Слепое чтение фазы Д дало «дешёвая рука лучше» (18:6), и вывод рухнул, когда появился
 активный ноль: два прогона ОДНОЙ руки расходились сильнее (0.799), чем разные руки (0.820).
 Поэтому здесь любая величина, измеренная МЕЖДУ руками, обязана печататься рядом с той же
 величиной, измеренной ВНУТРИ одной руки (low₁ против low₂). Разница, не превышающая шум-пол,
 объявляется НЕ ПРЕДЪЯВЛЕННОЙ — это не осторожность, это цена, уже заплаченная фазой.
 ПОЧЕМУ ДРЕЙФ, А НЕ ПРОМАХИ. Пост-чек движка ищет ОТСУТСТВИЕ принятой формы и потому обязан знать
 все падежи; без заполненных decl-форм наивное сопоставление даёт 18–36% ложных тревог
 (`membank/mempostcheck.go:24-27`, замерено проектом). Дрейф так не ломается: «юаньши» против
 «изначальный камень» — разные ЛЕКСЕМЫ, а не падежи одной.
 """
 import argparse
 import json
 import os
 import re
 import subprocess
 import sys
 import sqlite3
 from collections import Counter, defaultdict
 B = os.path.expanduser("~/books/gu-zhenren/probe-4axes")
 TMCTL = f"{B}/bin/tmctl"
 # low2 — вторая реплика ТОЙ ЖЕ конфигурации, что p9-low. Пара (p9-low, low2) — шум-пол.
 ARMS = ["p7-off", "p7-low", "p9-off", "p9-low", "low2"]
 NOISE_PAIR = ("p9-low", "low2")
 def pairs(arm):
    """export --pairs: исходник рядом с переводом. $0, читает уже оплаченное."""
    cfg = f"{B}/arms/{arm}.book.yaml"
    out = subprocess.run([TMCTL, "export", "--config", cfg, "--pairs"],
                         capture_output=True, text=True)
    if out.returncode != 0:
        sys.exit(f"⛔ export отказал для {arm}: {out.stderr[:300]}")
    d = json.loads(out.stdout)
    return {(c["chapter"], c["chunk_idx"]): c for c in d["chunks"]}
 def bank(arm):
    """Ключи банка и все передачи, которые для них вообще предлагались."""
    con = sqlite3.connect(f"file:{B}/arms/{arm}.db?mode=ro", uri=True)
    rows = con.execute("select src, dst, type, status from glossary where src!=''").fetchall()
    out = {}
    for src, dst, typ, status in rows:
        out[src] = {"dst": dst, "type": typ, "status": status, "variants": set()}
    # bank-stop.txt печатает, какие передачи переводчик предлагал для ключа — это сырьё дрейфа.
    # ⚠ ФОРМАТ СНЯТ С ФАЙЛА, НЕ УГАДАН: заголовок записи — «<ключ>\t<передача>» БЕЗ ведущих
    # пробелов, поля записи — с отступом в два пробела. Первая редакция искала «src: <ключ>»,
    # не совпадала НИ РАЗУ и оттого печатала «дрейфа 0%» на пустых вариантах — ровно тот отказ,
    # за который фаза уже платила (Д50: вывод на нулевом знаменателе). Отсюда гейт ниже.
    stop = f"{B}/arms/{arm}.db.bank-stop.txt"
    parsed = 0
    if os.path.exists(stop):
        cur = None
        for line in open(stop, encoding="utf-8"):
            if line.strip() and not line.startswith((" ", "\t")) and "\t" in line:
                cur = line.split("\t", 1)[0].strip()
                continue
            m = re.match(r"^\s+drafts:\s*(.+)$", line)
            if m and cur and cur in out:
                for part in m.group(1).split("|"):
                    v = re.sub(r"\s*×\d+\s*$", "", part.strip()).strip()
                    if v:
                        out[cur]["variants"].add(v)
                        parsed += 1
            # spread — НЕЗАВИСИМЫЙ путь к тому же числу: движок сам посчитал разброс передач
            m = re.match(r"^\s+origin=.*?\bspread=(\d+)", line)
            if m and cur and cur in out:
                out[cur]["spread"] = int(m.group(1))
    # ГЕЙТ ПАРСЕРА: банк заведомо непуст, значит ноль разобранных передач = сломанный формат
    if os.path.exists(stop) and parsed == 0:
        sys.exit(f"⛔ {arm}: из bank-stop.txt не разобрано НИ ОДНОЙ передачи — формат не тот, "
                 f"что ждёт парсер. Это отказ прибора, а не отсутствие дрейфа.")
    return out
 def observed(term_variants, ru_text):
    """Какие из известных передач реально видны в переводе. Возвращает Counter."""
    seen = Counter()
    for v in term_variants:
        if len(v) < 3:
            continue                      # односимвольные/двухбуквенные — шум сопоставления
        # ⚠ сопоставление по НАЧАЛУ слова: русский падёж меняет хвост, а не начало.
        # Это ослабленная замена decl-форм, которых в банке нет НИ У ОДНОГО термина
        # (все 102 записи status=draft/auto, decl пуст) — оговорено в §«ЧЕГО НЕ ДЕЛАЕТ».
        stem = v[: max(4, len(v) - 2)]
        if re.search(r"(?<![А-Яа-яЁё])" + re.escape(stem), ru_text, re.IGNORECASE):
            seen[v] += 1
    return seen
 def measure(arm):
    """Дрейф по одной руке: {термин: {главы: {передача}}}."""
    px, bk = pairs(arm), bank(arm)
    per_term = defaultdict(lambda: defaultdict(set))
    fired = Counter()
    for (ch, ci), c in px.items():
        src_text, ru_text = c.get("source", ""), c.get("final_text", "")
        if not src_text or not ru_text:
            continue
        for term, meta in bk.items():
            if term not in src_text:
                continue                  # ключ в этом куске не встретился — термин не «выстрелил»
            fired[term] += 1
            vs = set(meta["variants"]) | ({meta["dst"]} if meta["dst"] else set())
            for v in observed(vs, ru_text):
                per_term[term][ch].add(v)
    return per_term, fired, bk
 def stats(per_term, fired):
    """Две величины: разных передач на термин и сколько терминов меняют форму МЕЖДУ главами."""
    multi = 0            # термин показал >1 передачи за отрезок
    switched = 0         # доминирующая передача сменилась от главы к главе
    measured = 0
    for term, bych in per_term.items():
        allv = set().union(*bych.values()) if bych else set()
        if not allv:
            continue
        measured += 1
        if len(allv) > 1:
            multi += 1
        doms = [sorted(v)[0] for ch, v in sorted(bych.items()) if v]
        if len(set(doms)) > 1:
            switched += 1
    return {"terms_fired": len([t for t in fired if fired[t]]), "measured": measured,
            "multi": multi, "switched": switched}
 def spread_stats(bk):
    """НЕЗАВИСИМЫЙ путь: разброс, посчитанный САМИМ движком (поле spread в bank-stop).
    Норма приёмки — число двумя независимыми путями; здесь второй путь не зависит ни от
    моего сопоставления, ни от падежей."""
    sp = [m.get("spread", 0) for m in bk.values() if "spread" in m]
    multi = sum(1 for v in sp if v > 1)
    return {"with_spread": len(sp), "multi_spread": multi,
            "max_spread": max(sp) if sp else 0}
 def main():
    ap = argparse.ArgumentParser(description="детерминированный дрейф передач, $0")
    ap.add_argument("--selftest", action="store_true")
    a = ap.parse_args()
    if a.selftest:
        return selftest()
    print("ПРИБОР ДРЕЙФА — детерминированный, платных вызовов нет\n")
    res = {}
    sp_res = {}
    for arm in ARMS:
        pt, fired, bk = measure(arm)
        res[arm] = stats(pt, fired)
        sp_res[arm] = spread_stats(bk)
        s = res[arm]
        # ГЕЙТ (урок Д50): нулевой знаменатель — ОТКАЗ, а не «дрейфа нет»
        if s["measured"] == 0:
            sys.exit(f"⛔ {arm}: измерено 0 терминов — прибор НЕ ИЗМЕРИЛ, число печатать нельзя")
        print(f"  {arm:8} терминов выстрелило {s['terms_fired']:3}, измерено {s['measured']:3} · "
              f"с >1 передачей {s['multi']:3} ({s['multi']/s['measured']:.0%}) · "
              f"сменили форму между главами {s['switched']:3} ({s['switched']/s['measured']:.0%})")
    print("\n  НЕЗАВИСИМЫЙ путь к тому же — разброс, посчитанный САМИМ движком (поле spread):")
    for arm in ARMS:
        q = sp_res[arm]
        print(f"    {arm:8} записей со spread {q['with_spread']:3} · из них >1 передачи "
              f"{q['multi_spread']:3} ({q['multi_spread']/max(1,q['with_spread']):.0%}) · "
              f"максимум передач у одного ключа {q['max_spread']}")
    n1, n2 = NOISE_PAIR
    print("\n" + "=" * 70)
    print("ШУМ-ПОЛ ПЕРВЫМ (иначе число между руками читать нельзя)")
    print("=" * 70)
    floor_multi = abs(res[n1]["multi"] / res[n1]["measured"] - res[n2]["multi"] / res[n2]["measured"])
    floor_sw = abs(res[n1]["switched"] / res[n1]["measured"] - res[n2]["switched"] / res[n2]["measured"])
    print(f"  {n1} против {n2} — ОДНА конфигурация, два розыгрыша:")
    print(f"    расхождение по «>1 передачи»:      {floor_multi:.1%}")
    print(f"    расхождение по «смене между глав»: {floor_sw:.1%}")
    # ⚠ Шум-пол снят по ОДНОЙ паре реплик: это точечная оценка, а не распределение.
    # Ноль по одной оси НЕ означает «шума нет» — он означает «на одном розыгрыше не проявился».
    # Поэтому порогом берём КОНСЕРВАТИВНУЮ величину: наибольшую из шумовых оценок. Иначе ось,
    # где шум случайно вышел 0.0%, объявляла бы значимым любое ненулевое различие — ровно та
    # ловушка, в которую фаза уже попала со счётом 18:6.
    floor = max(floor_multi, floor_sw)
    print(f"    ⇒ консервативный порог (наибольшая из оценок, одна пара реплик): {floor:.1%}")
    print("\n  между РЕЖИМАМИ (то же на разных руках):")
    for hi, lo in (("p7-off", "p7-low"), ("p9-off", "p9-low")):
        d_multi = abs(res[hi]["multi"] / res[hi]["measured"] - res[lo]["multi"] / res[lo]["measured"])
        d_sw = abs(res[hi]["switched"] / res[hi]["measured"] - res[lo]["switched"] / res[lo]["measured"])
        for name, d in (("«>1 передачи»", d_multi), ("«смена между глав»", d_sw)):
            v = "ВЫШЕ порога" if d > floor else "НЕ ПРЕДЪЯВЛЕНО (в пределах шума)"
            print(f"    {hi} против {lo}: {name:20} {d:.1%} → {v}")
    print("\n" + "=" * 70)
    print("ЧЕГО ПРИБОР НЕ ДЕЛАЕТ (норма: гейт обязан печатать, чего он НЕ проверяет)")
    print("=" * 70)
    print("""  · НЕ пост-чек движка. Тот ищет ОТСУТСТВИЕ принятой формы и требует заполненных decl-форм.
    В этом банке их нет НИ У ОДНОГО из 102 терминов (все status=draft/auto, decl пуст), и ни один
    не доведён до approved — поэтому штатный детектор в пробе молчал не только из-за выключенного
    гейта, но и потому, что ВХОДА у него не было.
  · НЕ измеряет частоту ложных тревог пост-чека — мерить не на чем, пока банк не подписан.
  · НЕ ловит падежи как движок: здесь сопоставление по началу слова, а не по сохранённым формам.
    Значит редкая передача, отличающаяся только началом, может быть пропущена.
  · НЕ судит КАЧЕСТВО передачи: «изначальный камень» может быть лучше «юаньши» — прибор лишь
    считает, что их две.
  · НЕ переносится на книгу: 17 глав = 0.74%. Дрейф накопителен, и короткий отрезок его занижает.""")
 def selftest():
    print("СЕЛФТЕСТ dreif.py")
    ok = True
    def check(name, cond):
        nonlocal ok
        print(("  ✓ " if cond else "  ✗ ") + name)
        ok = ok and cond
    check("движок на месте", os.path.exists(TMCTL))
    for arm in ARMS:
        check(f"конфиг руки {arm}", os.path.exists(f"{B}/arms/{arm}.book.yaml"))
    # сопоставление: падежная форма ловится, чужое слово — нет
    c = observed({"юаньши"}, "он отдал пятьсот юаньши за это")
    check("падежная форма ловится", bool(c))
    c2 = observed({"юаньши"}, "он отдал пятьсот монет за это")
    check("чужой текст НЕ даёт ложного попадания", not c2)
    c3 = observed({"изначальный камень"}, "поднял изначальный камень")
    check("многословная передача ловится", bool(c3))
    print("\n" + ("ПРИБОР ГОДЕН" if ok else "⛔ ПРИБОР НЕ ГОДЕН"))
    return 0 if ok else 1
 if __name__ == "__main__":
    sys.exit(main())
--- a/eval/dovodka/prereg-4axes/ISPOLNENIE.md
+++ b/eval/dovodka/prereg-4axes/ISPOLNENIE.md
@ -338,8 +338,15 @@ content_hash: p7-off = p7-low = e3db15ac06a4ff04…
 Остаток `2310 − 0.3644·7605 = −461` (20% от completion). Отрицательный — значит размышления нет
 вовсе, а коэффициент 0.3644 просто не подходит чужому токенизатору. План это предупреждал; для E1
 референс не используется, и «R̂ = 0 по построению» остаётся верным.
-⚠ Проводная улика референса НЕ снята: его клетка куплена $0-гардом без канала тел. Снимется на
+✅ **Проводная улика референса СНЯТА на первом юните пачки** (канал включён именно там):
-первом юните пачки — канал включён именно там.
+
 ```
 glm-off, тело запроса: …\"thinking\":{\"type\":\"disabled\"}}
 ```
 Тем самым провод доказан для ВСЕХ ПЯТИ рук: у `low`-рук в теле стоит `reasoning_effort:"low"`,
 у `∅`-рук этого ключа НЕТ вовсе, у референса — `thinking:{type:disabled}`. Три РАЗНЫХ механизма
 на проводе, ровно как их описывает реестр моделей.
 ---
@ -379,3 +386,23 @@ glm-off                      $0.012870
 факт — ∅ $0.034–0.064 и low $0.013–0.026. Причина в том, что `low` режет размышление сильнее
 закладывавшегося. ⛔ **Это НЕ основание добирать юниты:** рамка выборки заморожена диапазоном глав,
 и §12 промта запрещает добор после просмотра чисел. Остаток санкции остаётся неизрасходованным.
 ---
 ## ИТОГ ПАЧКИ И КУДА СМОТРЕТЬ ДАЛЬШЕ
 Пачка отработала 19 юнитов (юнит 1 куплен пред-полётом), итого **100 клеток**. Наборы ключей юнитов
 побайтно одинаковы во всех пяти руках — блокировка трудности выдержала все сто клеток.
 **Израсходовано $5.524817 из санкции $9.50; остаток $3.98 НЕ добирался** (рамка заморожена
 диапазоном глав, добор после чисел запрещён §12 промта).
 **Результат, реестр ошибок и всё, что не удалось, — в отчёте `docs/experiments/23-editor-tier.md`
 §Д54.** Здесь он не дублируется: одно число в двух местах рано или поздно разойдётся.
 ⚠ **Отчёт и запись в `docs/PROGRESS.md` НЕ ЗАКОММИЧЕНЫ намеренно:** §12 промта разрешает этой сессии
 единственный класс коммитов — пре-рег-фриз (`c08b547`, `590256a`). Лендит оркестратор.
 **Адверсариальный проход по готовому отчёту** (мандат §7.3) нашёл в его первой редакции ещё семь
 ошибок — все записаны в Д54.5 с классами. Главные три: «эхо» там, где флаг `cjk_artifact` не
 срабатывал ни разу за 100 клеток; «минимум втрое» при верхней границе ДИ ÷2.3; «21-й день» вместо
 3-го в обязательном клейме вывода.
Author	SHA1	Message	Date
heaven	a7951a77b3	Land the two harness topology research reports commissioned for phase D, by the owner's direct instruction: docs/research is the orchestrator's zone, not the polygon's	2026-09-02 23:12:28 +03:00
heaven	f28d33fbea	Land the probe session's phase report and execution journal, including its replica findings on the low2 run and the measured sigma for the zh pair	2026-09-02 23:12:11 +03:00
heaven	9ec92de666	Ping the orchestrator with two backend entries: the post-check had no input at all, not merely a disabled gate, and offline recheck is missing from the engine	2026-09-02 23:08:08 +03:00
heaven	7ccba1d59e	Add the deterministic drift instrument with the noise floor built in from the first line, plus a parser gate that refuses zero rather than printing no drift	2026-09-02 23:05:12 +03:00
heaven	880b8a6b3f	Record the negative result: judges named a winner on 29 of 30 pure-noise pairs, so the earlier cheap-arm advantage is indistinguishable from generation randomness	2026-09-02 22:23:34 +03:00